A Survey of Automated Presentation Coaching: Systems, Methods, and Open Challenges

Résumé Technique : Une Étude de l'Entraînement Automatisé à la Présentation Orale

Énoncé du Problème
L'entraînement automatisé pour les présentations orales opère à l'intersection de l'apprentissage de la prononciation assisté par ordinateur (CAPT), de la modélisation de la prosodie et de la synthèse de la parole. Malgré des progrès significatifs dans ces technologies sous-jacentes au cours des deux dernières décennies, le domaine manque d'un cadre unifié pour répertorier, catégoriser et comparer systématiquement les systèmes existants. La recherche actuelle est fragmentée, traitant souvent des aspects isolés de la parole (par exemple, la précision segmentale ou la fluidité générale) sans une vision holistique des exigences spécifiques des présentations techniques et académiques. De plus, il existe un décalage entre les prototypes de recherche et le déploiement industriel, ainsi qu'une rareté des corpus annotés capables de capturer la nature de longue durée et alignée sur les diapositives des présentations avec divers contextes L1.

Méthodologie
Les auteurs ont mené une recherche documentaire systématique dans les principales bases de données (ACL Anthology, IEEE Xplore, ISCA Archive, Google Scholar, Semantic Scholar) couvrant les publications de 1997 à 2025. La recherche a utilisé des mots-clés tels que « entraînement à la présentation », « entraînement de la prononciation », « CAPT » et « évaluation de la prosodie ». La revue s'est concentrée sur 15 systèmes représentatifs et environ 50 références de soutien, excluant les études qui ne traitaient que de l'entraînement visuel/gestuel sans composants de parole ou les articles de ASR/TTS à usage général.

La principale contribution méthodologique est la construction d'une taxonomie des tâches à cinq dimensions conçue pour organiser les compétences de présentation en fonction de la nature du feedback requis et des méthodes disponibles pour l'évaluation :

1. Prononciation (Segmentale) : Exactitude au niveau des phonèmes et des mots, incluant la terminologie technique.
2. Accentuation Lexicale : Prominence syllabique dans les mots polysyllabiques.
3. Prosodie (Suprasegmentale) : Intonation (F0), segmentation (phrasing), rythme et contours d'intensité.
4. Débit (Pacing) : Mots par minute (Wم), taux d'articulation et placement des pauses par rapport à la ponctuation et aux limites des diapositives.
5. Fidélité du Contenu : Couverture des éléments de contenu clés, signalant les mots-clés manquants ou les omissions par diapositive.

L'étude cartographie les systèmes existants sur cette taxonomie, analyse leurs exigences d'entrée/sortie (par exemple, besoin de scripts alignés sur les diapositives, de clips d'enrôlement pour le clonage de la voix) et examine les méthodes techniques de base qu'ils emploient, spécifiquement la génération d'exemplaires par TTS et les approches diagnostiques.

Principales Contributions

1. Taxonomie et Cartographie : Le document introduit la taxonomie à cinq dimensions et cartographie explicitement les systèmes étudiés. Cela révèle des lacunes de couverture importantes : l'accentuation lexicale et la fidélité du contenu sont les dimensions les moins abordées. Si de nombreux systèmes couvrent la prononciation et la prosodie, peu traitent les besoins structurels spécifiques des présentations (par exemple, le débit aligné sur les diapositives).
2. Catégorisation Systématique : Les systèmes existants sont classés en quatre groupes :
   • Systèmes de prononciation basés sur le CAPT (axés sur des mots isolés ou de courtes phrases).
   • Entraîneurs de fluidité et de prosodie (axés sur la qualité suprasegmentale).
   • Entraîneurs multimodaux (intégrant le regard, le geste et la parole).
   • Entraîneurs de Q&R et d'interaction (exploitant les LLM pour une pratique interactive).
     L'analyse montre qu'aucun système existant ne couvre l'ensemble des cinq dimensions de la taxonomie. Le système le plus récent, PresentCoach (Chen et al., 2025), couvre quatre dimensions mais omet toujours l'accentuation lexicale.
3. Revue Technique : Le document détaille les méthodes de base qui sous-tendent ces systèmes :
   • Génération d'Exemplaires : Utilisation de la synthèse neuronale moderne (par exemple, les modèles de flow-matching comme F5-TTS, CosyVoice 2) pour un contrôle du débit, de l'insertion de pauses et du transfert de voix zero-shot afin de générer un audio de référence personnalisé.
   • Diagnostics : Examen des méthodes incluant les scores de Goodness of Pronunciation (GOP), l'alignement basé sur CTC, les représentations auto-supervisées (wav2vec 2.0, HuBERT) et les techniques de « clone-and-compare » qui synthétisent une version idéalisée de la voix de l'apprenant pour isoler les erreurs prosodiques.
4. Cadre d'Évaluation : Les auteurs consolident les métriques d'évaluation alignées sur les cinq dimensions (par exemple, F1 Phonème/Mot pour le segmentale, RMSE Log-F0 pour la prosodie, WER pour la fidélité) et identient l'absence d'un benchmark standardisé. Ils notent qu'aucun corpus existant ne fournit simultanément de la parole L2, une structure de présentation longue, des étiquettes d'accent et des annotations prosodiques.

Résultats et Constats

• Lacunes de Couverture : L'accentuation lexicale est presque entièrement négligée par les systèmes existants malgré son impact documenté sur la compréhensibilité en L2. La fidélité du contenu est également sous-traitée, peu de systèmes vérifiant l'absence de mots-clés spécifiques au domaine par rapport au contenu des diapositives.
• Limitations du Temps Réel : Le feedback en temps réel est rare ; seuls deux des 15 systèmes étudiés fournissent un feedback durant la session. La plupart des systèmes fonctionnent post-hoc.
• Rareté des Données : Les corpus majeurs (ex. LibriSpeech, TED-LIUM) ne sont pas conçus pour l'entraînement L2 ou manquent de structure de diapositives. Des ressources plus récentes comme Speak & Improve offrent de la parole L2 spontanée mais manquent d'annotations spécifiques à la présentation.
• Écart Recherche-Industrie : Les plateformes commerciales (ex. ELSA Speak, Yoodli) ne traitent généralement qu'une ou deux dimensions et publient rarement les détails techniques, rendant la comparaison systématique difficile. La recherche académique échoue souvent à aborder les contraintes de déploiement comme l'hétérogénéité des appareils et le bruit.

Signification et Revendications
Le document affirme que sa principale signification réside dans le fait de fournir la première étude unifiée qui répertorie et compare les systèmes d'entraînement automatisé à la présentation selon un cadre structuré et multidimensionnel. En cartographiant les systèmes sur la taxonomie, les auteurs exposent les lacunes critiques de l'état actuel de l'art, spécifiquement l'absence de systèmes intégrés qui gèrent simultanément l'accentuation lexicale et la fidélité du contenu avec la prononciation et la prosodie.

Les auteurs affirment modestement que leur travail sert de référence pour les chercheurs développant la prochaine génération de systèmes d'entraînement intégrés et fondés sur des preuves. Ils soulignent que si les composants individuels (diagnostics, TTS, modélisation de la prosodie) ont mûri, le défi reste de les intégrer dans des systèmes déployables et en temps réel, qui soient équitables pour divers contextes L1 et ancrés dans la structure spécifique des présentations académiques. Le document appelle à des efforts communautaires pour créer des benchmarks standardisés (par exemple, des mini-ensembles de présentations avec marqueurs de diapositives et divers accents) et à une collaboration plus étroite entre la recherche et l'industrie pour combler le fossé entre les méthodes théoriques et le déploiement pratique.