Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
La synthèse vocale est la technique informatique qui produit automatiquement une voix artificielle, le plus souvent à partir d’un texte écrit, afin de le restituer à l’oral de façon intelligible et naturelle.
L’Office québécois de la langue française retient comme termes privilégiés « synthèse de la parole », « synthèse de parole » et « synthèse vocale ». Il précise que l’on parle de synthèse texte-parole lorsque la voix est générée à partir d’un texte écrit, ce que l’anglais nomme text-to-speech, abrégé TTS. Le traitement se déroule en deux temps. Une analyse linguistique normalise d’abord le texte : nombres, sigles, abréviations. Elle le convertit en sons et détermine la prosodie, c’est-à-dire l’intonation, le rythme et les pauses. Un module de génération produit ensuite le signal audio.
Les premiers systèmes assemblaient des fragments de voix enregistrés ou calculaient le signal à partir de modèles acoustiques. Les systèmes actuels reposent le plus souvent sur des réseaux de neurones entraînés sur des enregistrements de locuteurs. Un dispositif comprend une ou plusieurs voix et des réglages de débit, de hauteur et d’expressivité. S’y ajoute un lexique de prononciation pour les noms propres et les termes techniques. Certains outils reproduisent la voix d’une personne à partir d’enregistrements : on parle alors de clonage vocal.
La synthèse vocale suit le chemin inverse de la reconnaissance de la parole, qui transcrit l’oral en texte. Elle se distingue aussi de l’analyse vocale, qui étudie la voix et la parole d’une personne pour en tirer des informations. Elle relève de l’IA générative lorsqu’elle repose sur un modèle génératif. Elle sert à l’accessibilité des contenus, aux serveurs vocaux interactifs, aux assistants vocaux, à la narration de vidéos et de modules de formation, et à la version audio d’articles.
Choisir une voix de synthèse, c’est choisir une part de l’identité sonore de la marque. Le timbre, le débit et le registre s’y associent au même titre qu’un logo. Une entreprise qui utilise trois voix différentes sur son serveur vocal, ses vidéos et ses tutoriels envoie un signal incohérent. Nous recommandons de traiter la voix comme un élément de charte : une voix principale, des règles d’usage, un lexique de prononciation partagé.
En 2016, Aaron van den Oord et ses coauteurs ont présenté WaveNet dans l’article « WaveNet: A Generative Model for Raw Audio ». Ce réseau de neurones profond génère directement la forme d’onde audio. Appliqué à la synthèse texte-parole, il a été jugé par des auditeurs nettement plus naturel que les meilleurs systèmes paramétriques et par concaténation, en anglais et en mandarin.
Ce saut de qualité a un revers. Une voix crédible ne signale plus d’elle-même qu’elle est artificielle. La question n’est donc plus de savoir si la voix est acceptable, mais si l’auditeur doit savoir qu’elle est synthétique. À notre avis, la réponse est oui dès que le contenu est diffusé à l’extérieur.
Le règlement (UE) 2024/1689 sur l’intelligence artificielle vise les fournisseurs de systèmes qui génèrent des contenus de synthèse, y compris audio. Ils doivent marquer leurs sorties dans un format lisible par machine (article 50, paragraphe 2). Les déployeurs d’un système qui génère ou manipule des contenus audio constituant un hypertrucage indiquent que ces contenus ont été générés ou manipulés par une IA (article 50, paragraphe 4). La page de la Commission européenne consacrée à cet article signale une modification par l’omnibus numérique sur l’IA : vérifiez la version consolidée avant tout projet.
Cloner la voix d’une personne suppose des enregistrements de cette personne. La voix d’une personne identifiable est une donnée personnelle. Nous recommandons un accord écrit qui précise les usages, la durée et les supports, y compris pour un collaborateur.
Advalians identifie avec vos équipes les cas d’usage de l’IA à forte valeur pour vos contenus, puis organise un déploiement progressif fondé sur des tests mesurables.
Elles fonctionnent en sens inverse : la synthèse vocale produit une voix, le plus souvent à partir d’un texte, tandis que la reconnaissance vocale transforme la voix en texte. La première fait parler une interface, une vidéo ou un serveur vocal. La seconde transcrit un appel, une réunion ou une commande orale.
Les deux se combinent dans un assistant vocal : la reconnaissance transcrit la demande, un modèle prépare la réponse, la synthèse la restitue. Pour un projet, évaluez-les séparément, car un outil peut exceller dans l’une et rester moyen dans l’autre, notamment sur les noms propres et le vocabulaire de votre secteur.
Adaptez d’abord le texte à l’écoute, puis générez. Raccourcissez les phrases, arrondissez les chiffres, développez les sigles à leur première occurrence et supprimez les éléments visuels : tableaux, notes, liens. Choisissez une voix cohérente avec vos autres contenus audio.
Générez ensuite le fichier, puis faites-le écouter en entier par une personne qui n’a pas écrit le texte. Corrigez les prononciations fautives dans le lexique de l’outil, pas au cas par cas. Indiquez enfin à l’auditeur que la voix est synthétique, par une mention courte en début ou en fin d’écoute.
Faites-la juger par des auditeurs, sur vos propres textes. Constituez un panel d’une dizaine de personnes proches de votre public. Faites-leur écouter les mêmes extraits avec plusieurs voix, sans indiquer laquelle est laquelle. Demandez une note de 1 à 5 sur le naturel, la compréhension et l’adéquation à la marque.
Complétez par des indicateurs d’usage une fois en ligne : part des écoutes menées à leur terme, abandons, réclamations. Testez aussi les cas difficiles : noms propres, chiffres, mots étrangers, phrases longues.
Techniquement oui, mais seulement avec un accord écrit et précis de la personne. Sa voix est une donnée personnelle, et un comédien peut faire valoir des droits liés à sa prestation, à vérifier avec un juriste. L’accord précise les contenus autorisés, les supports, la durée et les conditions de retrait.
Le risque principal est l’usage hors du cadre convenu : un message que la personne n’a jamais prononcé, diffusé sous son nom. Conservez les fichiers de voix sous accès restreint et signalez à l’auditeur qu’il s’agit d’une voix de synthèse.
Préférez une voix humaine quand l’émotion ou la confiance comptent davantage que le volume. C’est le cas d’une campagne de marque, d’une prise de parole de dirigeant, d’un message de crise ou d’un témoignage. La synthèse vocale l’emporte pour les contenus nombreux, souvent mis à jour ou déclinés en plusieurs langues : formations, messages d’attente, fiches produits audio.
Critère simple : si le contenu doit être modifié plusieurs fois par an, la synthèse devient en général plus économique à maintenir. S’il est diffusé une fois et engage la réputation, enregistrez une voix humaine.
Par Thomas Bizot – Président du cabinet Advalians
