Qu’est-ce que la synthèse vocale ? Un guide simple et clair

La synthèse vocale (en anglais « text-to-speech », ou TTS) est un logiciel qui lit un texte à voix haute. Vous lui donnez une phrase ; il vous renvoie un fichier audio ou un flux en direct d’une voix qui prononce cette phrase. Cette voix n’est pas l’enregistrement d’une personne lisant exactement vos mots. Elle est générée à la volée par un modèle informatique qui a appris comment une voix donnée prononce les sons, les mots et les phrases.

Vous avez presque certainement déjà entendu de la synthèse vocale : dans les instructions d’un GPS, les serveurs vocaux téléphoniques, les lecteurs d’écran utilisés par les personnes aveugles ou malvoyantes, les fonctions de « lecture à voix haute » des liseuses, et de plus en plus dans la narration de vidéos YouTube et de vidéos courtes.

La plupart des systèmes actuels fonctionnent en trois grandes étapes. Vous ne les voyez jamais, mais les connaître aide à comprendre pourquoi certains textes posent problème.

1. Lire et normaliser le texte

Le système détermine d’abord ce qui doit réellement être prononcé. « M. » peut signifier « monsieur » ou n’être qu’une initiale ; « 2026 » se lit « deux mille vingt-six », mais « 2,026 » se lit « deux virgule zéro vingt-six » ; « 5 $ » devient « cinq dollars ». Il découpe aussi le texte en phrases et décide de la prononciation de chaque mot écrit, ce qui est plus difficile qu’il n’y paraît : en français, « couvent » ne se prononce pas de la même façon dans « le couvent » et dans « les poules couvent ».

2. Planifier le son

Ensuite, un réseau de neurones prédit comment la phrase doit sonner : quelles syllabes sont accentuées, où l’intonation monte et descend, combien de temps dure chaque son et où se placent les courtes respirations. Cette mélodie et ce rythme s’appellent la prosodie, et c’est la principale différence entre une voix qui sonne humaine et une voix qui ressemble à une machine lisant une liste.

3. Produire l’audio

Enfin, un autre modèle (souvent appelé vocodeur) transforme ce plan en une véritable onde sonore que vous pouvez écouter. Les anciens systèmes assemblaient de minuscules fragments de parole préenregistrés, d’où leur rendu saccadé. Les systèmes neuronaux génèrent directement la forme d’onde, ce qui explique la fluidité des voix actuelles.

• La prosodie. Un rythme et une intonation naturels comptent davantage que la qualité audio brute. Une voix nette mais monotone sonne toujours artificielle.
• L’adéquation de la langue et de l’accent. Une voix entraînée pour une langue a généralement du mal avec les mots d’une autre. Choisissez une voix qui correspond à la langue de votre texte et, idéalement, à l’accent qu’attendent vos auditeurs.
• Le texte lui-même. Les abréviations, les noms inhabituels, la ponctuation manquante et les phrases très longues sont les causes les plus fréquentes de résultats étranges. Notre guide sur la rédaction de scripts pour la synthèse vocale explique comment y remédier.
• Les réglages de vitesse et de hauteur. De petits ajustements aident beaucoup ; des réglages extrêmes rendent n’importe quelle voix étrange.

• L’accessibilité. Écouter plutôt que lire aide les personnes malvoyantes, dyslexiques, fatiguées ou ayant d’autres difficultés de lecture. Voir la synthèse vocale au service de l’accessibilité.
• La narration de vidéos. Les créateurs utilisent la synthèse vocale pour des vidéos explicatives, des tutoriels et des vidéos courtes sur YouTube lorsqu’ils ne peuvent pas ou préfèrent ne pas enregistrer leur propre voix. Voir réaliser une voix off YouTube.
• L’apprentissage des langues. Entendre une phrase prononcée par une voix à l’accent natif, à vitesse réduite, aide à travailler la prononciation. Voir la synthèse vocale pour apprendre une langue.
• La relecture. Entendre son propre texte lu à voix haute est l’un des moyens les plus rapides de repérer les phrases maladroites et les mots manquants.
• Les livres audio et l’écoute de textes longs. Voir narrer un livre audio avec la synthèse vocale.

Même les bonnes voix IA peuvent mal prononcer des noms rares, des noms de marques et des mots empruntés à d’autres langues. Elles ne comprennent pas votre texte comme le ferait un narrateur humain : l’humour, le sarcasme et les émotions fortes ressortent donc souvent de façon neutre. Et parce que les voix de synthèse sont désormais réalistes, elles ne doivent jamais servir à imiter une personne réelle ni à tromper les auditeurs.

La solution pratique à la plupart de ces limites consiste à modifier le texte plutôt qu’à lutter contre la voix : écrivez les noms difficiles tels qu’ils se prononcent, découpez les phrases longues et ajoutez de la ponctuation là où vous voulez une pause.

Dans le Studio, vous pouvez coller jusqu’à 2 000 caractères à la fois, choisir parmi 583 voix dans 76 langues, régler la vitesse et la hauteur, écouter et télécharger le résultat. Aucun compte n’est nécessaire. Si vous ne savez pas par quelle voix commencer, lisez comment choisir la bonne voix IA.