The common understanding of concepts used to qualify sounds is crucial for communication between music and sound professionals. Yet, one can wonder how clearly such concepts are acoustically defined and whether sound expertise plays a role in the development of corresponding mental representations. To investigate these questions, we assessed the acoustic fingerprint of four sound concepts (brightness, warmth, roundness, and roughness) in three participant groups (sound engineers, conductors, and non-experts). Hence, participants were asked to rate a database of orchestral instrument sounds (N=520) with a Best-Worst Scaling procedure. This data-driven method allowed us to sort the sound database for each sound concept and professional category. We compared these measures across populations and ran machine learning algorithms to unveil the contribution of acoustic features to each concept and population. Our results reveal the shared and specific aspects of each concept across populations. For instance, the concept of brightness, which is the most used by sound and music experts, is the least shared between populations. Conversely, the concept of roughness, which is not widely used, has a strong shared representation. We present the acoustic similarities and discrepancies of the concepts studied between population, and give an acoustic description of each sound concept for each population.

——

“Explication des représentations partagées et spécifiques de concepts sonores”

Résumé :
La compréhension commune de concepts utilisés pour qualifier les sons est cruciale pour la communication entre les professionnels de la musique et du son. Pourtant, on peut se demander dans quelle mesure ces concepts sont définis acoustiquement et si l’expertise sonore joue un rôle dans le développement des représentations mentales correspondantes. Afin d’étudier ces questions, nous avons évalué le code acoustique de quatre concepts sonores (brillance, chaleur, rondeur et rugosité) dans trois groupes de participants (ingénieurs du son, chefs d’orchestre et non-experts). Pour ce faire, nous avons demandé aux participants d’évaluer un corpus de sons d’instruments d’orchestre (N=520) à l’aide d’une procédure de Best-Worst Scaling. Cette méthode a permis de trier le corpus de sons selon chaque concept sonore et chaque catégorie professionnelle. Nous avons comparé ces mesures entre les populations et exécuté des algorithmes d’apprentissage automatique pour dévoiler la contribution des caractéristiques acoustiques à chaque concept selon chaque population. Nos résultats révèlent les aspects partagés et spécifiques de chaque concept à travers les populations. Par exemple, le concept de brillance, qui est le plus utilisé par les experts en son et en musique, est le moins partagé entre les populations. Inversement, le concept de rugosité, qui est peu utilisé, a une forte représentation partagée. Nous présentons les similitudes et les divergences acoustiques des concepts étudiés entre populations, et donnons une description acoustique de chaque concept sonore pour chaque population.