L'identité sonore d'un violon — si tant est qu'elle existe — résulte-t-elle principalement des caractéristiques de l'instrument ou bien est-elle influencée par la façon de jouer de l'instrumentiste ?
Il existe différentes façons de caractériser le son d'un violon : certaines études ont essayé de le décrire à partir des paramètres de construction de l'instrument, d'autres à partir de mesures acoustiques (admittance au chevalet, mesures de rayonnement). Il est aussi possible de le faire via une analyse d'enregistrements audio, ou en demandant leur avis à des violonistes. Dans les deux premiers cas, il n'y pas de prise en compte de l'interprète, qui est pourtant à l'origine du son.
Se posent alors les questions suivantes : un violon a-t-il une identité sonore propre ? Quelle est l'influence des violonistes sur le son produit ? Est-il possible de dissocier le son d'un violon du son produit par un⋅e violoniste ? Comment prendre en compte le facteur humain dans la caractérisation d'un violon ?
Dans cette étude, j’ai exploré l’influence de trois paramètres de jeu du violon — la vitesse d’archet, la force appliquée et la distance au chevalet — sur le son produit, en réalisant des enregistrements avec des violonistes. J’ai fait varier ces paramètres selon trois niveaux d’intention musicale (par exemple, lent/moyen/rapide pour la vitesse d’archet) et analysé des descripteurs audio temporels et spectraux pour évaluer leur corrélation avec ces paramètres. Mes résultats montrent que la vitesse d’archet est plus facilement identifiable et corrélée à des descripteurs temporels, comme la durée de l’attaque ou de la note, tandis que la force et la distance au chevalet ont un impact plus marqué sur des aspects spectraux, tels que la fréquence fondamentale et le contenu harmonique.
Dans cette étude, j’ai exploré différentes méthodes pour identifier des violons à partir de leurs enregistrements, en me concentrant sur des descripteurs audio comme les LTAS (Long-Time Average Spectra), les MFCCs (Mel-Frequency Cepstral Coefficients) et les LTCCs (Long-Term Cepstral Coefficients). J’ai réalisé une base de données composée d’enregistrements de 3 violons joués par 13 violonistes, ainsi que des extraits musicaux supplémentaires enregistrés dans des conditions différentes. Mon objectif était de comparer l’efficacité de ces descripteurs en les associant à des algorithmes de classification comme les K-Nearest Neighbours (K-NN), les Support Vector Machines (SVM) et les Multilayer Perceptrons (MLP).
Les résultats montrent que les MFCCs et les LTCCs sont les descripteurs les plus performants, permettant d’identifier les violons avec une précision allant jusqu’à 95% avec les K-NN. Les LTAS, bien que moins discriminants, restent utiles pour certaines analyses spectrales. Une prochaine étape serait de relier ces descripteurs à la perception humaine, afin de déterminer s’ils peuvent refléter des caractéristiques perceptuelles du timbre des violons et ainsi améliorer leur utilisation dans des contextes musicaux ou de lutherie.
