- La synthèse vocale (TTS) convertit le texte en parole réaliste grâce à des réseaux neuronaux qui assurent une prosodie naturelle et une voix de qualité.
- Les pipelines TTS traitent le texte, analysent la linguistique, génèrent des spectrogrammes et synthétisent l’audio à l’aide de vocodeurs.
- La TTS alimente les chatbots, les systèmes de navigation, le divertissement, les outils de santé et l’éducation inclusive.
- Une synthèse vocale de qualité améliore la clarté, l’identité de marque, l’accessibilité et la confiance des utilisateurs dans tous les secteurs.
Le ChatGPT néerlandais parle parfois avec un accent allemand. Si c’est volontaire, c’est mesquin. Si ça ne l’est pas, c’est fascinant.
Dans tous les cas, on peut dire que les assistants vocaux IA ont parcouru un long chemin depuis Sam de Microsoft. En fait, ils ont beaucoup évolué depuis mes études en technologies vocales il y a quelques années.
Et je suis là pour vous expliquer où nous en sommes aujourd’hui.
On imagine des voix synthétiques depuis au moins 1968, depuis l’apparition de HAL le robot dans 2001 : L’Odyssée de l’espace.
Loin d’être prestigieuse et futuriste, la synthèse vocale est devenue la norme : 89 % des consommateurs choisissent leur appareil selon la présence ou non d’un support vocal.
Autrement dit, « Ne fais pas que m’aider ; parle-moi ».
Dans cet article, je vais parler de la synthèse vocale : la conversion du texte en audio parlé. J’expliquerai ce qui se passe en coulisses et les différents usages de cette technologie dans les secteurs professionnels.
Qu’est-ce que la synthèse vocale ?
La TTS consiste à transformer du texte en audio parlé synthétique. Les premières versions imitaient mécaniquement le conduit vocal humain ou assemblaient des enregistrements audio. Aujourd’hui, les systèmes TTS utilisent des algorithmes de réseaux neuronaux profonds pour produire des énoncés dynamiques et naturels.
Il existe différents modèles selon l’usage : génération en temps réel pour la conversation, contrôle de l’expression, ou encore imitation d’une voix.
Comment fonctionne la synthèse vocale ?
La TTS se déroule en 3 étapes clés : d’abord, le texte est traité pour expliciter les symboles, expressions et abréviations. Ce texte traité passe ensuite dans des réseaux neuronaux qui le convertissent en une représentation acoustique (spectrogramme). Enfin, cette représentation est transformée en parole.
Comme je l’ai mentionné, les chercheurs ont testé plusieurs approches pour la TTS. Celle que nous utilisons aujourd’hui (et probablement pour un moment) repose sur la synthèse vocale basée sur les réseaux neuronaux.
Modéliser les différents phénomènes linguistiques qui influencent un énoncé – prononciation, vitesse, intonation – est une tâche complexe.
Même avec les capacités quasi-magiques des réseaux neuronaux, un système TTS s’appuie sur de nombreux composants pour approcher la parole humaine.
Il est difficile de définir un pipeline unique ; de nouvelles technologies apparaissent sans cesse, rendant les précédentes obsolètes.
Il existe cependant quelques composants généraux que l’on retrouve dans la plupart des systèmes TTS, sous une forme ou une autre.
1. Traitement du texte
Le traitement du texte est l’étape où le système TTS détermine quels mots seront prononcés. Les abréviations, dates et symboles monétaires sont explicités, et la ponctuation est supprimée.
Ce n’est pas toujours évident. « Dr. » signifie-t-il docteur ou drive ? Et CAD ? Dollar canadien ou conception assistée par ordinateur ?
Le traitement du texte peut utiliser le traitement automatique du langage naturel (NLP) pour prédire la bonne interprétation selon le contexte. Il évalue comment le terme ambigu (par exemple, « Dr. ») s’intègre dans la phrase. Ainsi, dans « Dr. Perron a déconseillé cela », le NLP interprétera dr. comme docteur.
2. Analyse linguistique
Une fois le texte traité, le modèle passe de « Que dois-je dire ? » à « Comment dois-je le dire ? »
L’analyse linguistique est la partie de la TTS qui détermine comment une phrase doit être prononcée en termes de hauteur, de ton et de durée. En d’autres termes :
- Combien de temps chaque son, syllabe ou mot doit-il durer ?
- L’intonation doit-elle monter ? Descendre ?
- Quel mot est mis en valeur ?
- Comment le changement de volume peut-il refléter l’émotion voulue ?
Pourquoi la prosodie est-elle importante
Petite anecdote : j’ai brièvement conseillé une équipe qui développait des modèles TTS. J’ai vite compris à quel point la prosodie est essentielle pour la compréhension d’une phrase. Je vais vous montrer.
Voici trois façons de prononcer la phrase « Whoa, tu t’attendais à ça ? »
La première est excellente. La pause après « Whoa », l’intonation montante sur la deuxième syllabe de « expecting » (ex-PEC-ting). 10/10.
La deuxième ne fait qu’à peine passer l’aspect interrogatif en montant sur le dernier mot (« ... expecting THAT »). À part ça, toutes les syllabes sont à peu près de la même longueur, sans variation de volume ni de hauteur. Je dirais à mes clients de « revoir leur copie ».
La dernière est intéressante : le « whoah » est très réussi – fort, long, avec une intonation descendante. L’intonation montante de la question se fait sur « were you », et la hauteur reste quasiment stable.
C’est là que beaucoup de systèmes TTS moyens s’arrêtent : une prononciation plausible, mais basique. Pourtant, ce n’est pas ainsi qu’on le dirait dans la plupart des contextes.
Dans les anciens systèmes, ces caractéristiques étaient prédites par des composants séparés : un modèle calculait la durée de chaque son, un autre la courbe de la hauteur.
Aujourd’hui, la frontière est plus floue.
Les réseaux neuronaux apprennent généralement ces schémas eux-mêmes, en intégrant les subtilités de vastes jeux de données.
3. Modélisation acoustique
La modélisation acoustique intervient lorsque le texte normalisé (et les caractéristiques linguistiques prédites, le cas échéant) est transmis à un réseau neuronal qui produit une représentation intermédiaire.
Spectrogrammes et représentations de la parole
La représentation intermédiaire est généralement un spectrogramme – une représentation de la fréquence dans le temps d’un signal audio – même si cela évolue.
Voici la représentation générée par un modèle TTS à partir de notre texte « Whoa, were you expecting that? » :
Cette image en deux dimensions comporte en réalité 146 tranches verticales, chacune contenant 80 fréquences. Les fréquences les plus fortes sont claires, les plus faibles sont sombres.
Voici à quoi ressemble la 10ᵉ étape temporelle (ou colonne), tournée de 90 degrés vers la droite :
On peut voir les fréquences individuelles et leur énergie.
Au premier abord, le spectrogramme ne semble pas très parlant, mais certains phénomènes linguistiques sont bien présents :
- Les lignes bien définies correspondent à des voyelles ou à des sons proches des voyelles, comme /w/, /r/ et /l/.
- Les zones sombres représentent le silence. Il peut s’agir de pauses dues à la ponctuation.
- Les amas d’énergie en haut correspondent à du bruit, comme celui qu’on entend dans /s/, /sh/ et /f/.
En fait, on peut même aligner les mots sur le spectrogramme si on regarde attentivement.
Les spectrogrammes, sous différentes formes, sont très utilisés dans les technologies vocales car ils constituent un excellent intermédiaire entre la parole brute et le texte.
Deux enregistrements de la même phrase, prononcés par des locuteurs différents, auront des formes d’onde très différentes, mais des spectrogrammes très similaires.
4. Synthèse audio (vocodage)
L’étape de synthèse consiste à convertir le spectrogramme en audio.
La technologie qui effectue cette conversion s’appelle un vocodeur. Ce sont des modèles de réseaux neuronaux entraînés à reconstruire des signaux vocaux à partir de leurs représentations spectrogrammes.
La raison pour laquelle on sépare la modélisation de la représentation et celle du signal vocal en deux modules distincts est une question de contrôle : le premier module vise à modéliser précisément la prononciation et l’énonciation des mots, le second se concentre sur le style et le réalisme de la restitution.
Avec un spectrogramme, on peut distinguer entre /s/ et /ch/, ou entre /i/ (comme dans heat) et /ɪ/ (comme dans hit), mais le style et la personnalité proviennent des détails fins produits par le vocodeur.
Voici une comparaison de différentes combinaisons entre modèles acoustiques et vocodeurs. Cela illustre comment les chercheurs associent différents modèles acoustiques et vocodeurs pour optimiser le résultat final.
Mais encore une fois, comme pour les autres composants, on observe que les spectrogrammes sont progressivement remplacés par des modèles tout-en-un.
Quels sont les cas d’usage de la synthèse vocale (TTS) ?
La capacité à générer un langage parlé dynamique est un outil essentiel dans de nombreux secteurs.
Il ne s’agit pas seulement de robots sophistiqués : cela permet de gagner en efficacité, en accessibilité et en sécurité.
Chatbots et assistants vocaux
Vous vous doutiez bien que j’allais en parler 😉
Entre la compréhension de vos commandes, la gestion de vos listes de courses et la prise de rendez-vous, on oublie facilement la sophistication – et l’importance – de la synthèse vocale dans les agents IA.
Un bon agent (c’est-à-dire un agent utilisable) doit avoir une voix adaptée : suffisamment accueillante pour inciter à donner des commandes, et assez humaine pour convaincre l’utilisateur qu’il peut les exécuter.
Beaucoup de recherches et d’ingénierie sont nécessaires pour convaincre un utilisateur en une fraction de seconde qu’un assistant IA a la « bonne » voix.
Côté entreprise : votre chatbot représente votre marque. Les progrès de la synthèse vocale offrent de meilleures options pour l’identité vocale et un service client plus efficace.
Navigation et transports
Rien ne fait mieux comprendre l’importance d’une bonne synthèse vocale que d’entendre son GPS écorcher un nom de rue alors qu’on conduit.
La navigation GPS illustre parfaitement l’utilité de la synthèse vocale : nos yeux sont occupés, et transmettre des informations à l’oral n’est pas qu’une question de confort, mais aussi de sécurité.
C’est également vrai dans les aéroports et les transports publics. Pour des systèmes complexes et très fréquentés comme les gares ou les terminaux d’aéroport, la synthèse vocale est indispensable.
Sans TTS, on dépend d’annonces en direct, souvent précipitées et peu claires, ou d’enregistrements assemblés de noms, de terminaux, d’horaires, etc., qui sont franchement difficiles à écouter.
Des études montrent un lien fort entre le naturel et l’intelligibilité : une synthèse vocale de qualité est donc essentielle pour un secteur des transports performant.
Divertissement et médias
La narration et les contenus multilingues sont devenus plus accessibles grâce aux progrès de la synthèse vocale.
Plutôt que de remplacer les comédiens, la technologie vocale permet d’enrichir les performances.
Val Kilmer, ayant perdu sa voix à cause d’un cancer de la gorge, a pu livrer une performance émouvante avec sa voix d’origine dans Top Gun : Maverick (2022) grâce à l’IA.
La synthèse vocale permet aussi aux développeurs de jeux vidéo de donner aux personnages non-joueurs (PNJ) des répliques variées et expressives, ce qui serait autrement impossible.
Santé
Les avancées de la synthèse vocale améliorent l’accessibilité pour tous.
Les technologies pour les personnes âgées abordent à la fois la question de la compagnie et de l’assistance. Elles reposent sur la personnalisation offerte par la synthèse vocale : tons bienveillants, vitesses variables, intonations adaptées, tout cela contribue à une aide efficace et respectueuse.
La synthèse vocale est aussi utilisée pour améliorer l’accessibilité chez les plus jeunes.
Acapela Group développe, entre autres, des technologies pour les enfants ayant des troubles de la parole. La synthèse vocale renforce leur capacité d’expression et leur autonomie, tout en préservant leurs caractéristiques vocales.
Éducation et apprentissage inclusif
Nous avons déjà rencontré la synthèse vocale dans les applications d’apprentissage des langues. Mais ce n’est qu’un début.
Par exemple, l’un des obstacles à l’apprentissage autonome est la capacité à lire. Pour les enfants, les personnes malvoyantes ou celles ayant certains troubles de l’apprentissage, ce n’est pas toujours possible. Cela ajoute une charge importante aux enseignants, déjà débordés dans des classes surchargées.
Un district scolaire en Californie a mis en place la synthèse vocale pour offrir un environnement d’apprentissage plus inclusif aux élèves à besoins particuliers.
Comme pour l’assistance aux personnes âgées, la technologie éducative s’appuie sur des voix bienveillantes, claires et expressives. Les paramètres modulables permettent aux enseignants d’intégrer ces outils dans leurs cours, pour que chaque élève se sente inclus.
Choisissez la meilleure synthèse vocale pour vos besoins
Quel que soit votre secteur, il est clair que la voix IA est pertinente. Et la synthèse vocale que vous choisissez représente littéralement votre entreprise : elle doit donc être fiable et personnalisable.
Botpress vous permet de créer des bots puissants et hautement personnalisables, avec de nombreuses intégrations et un déploiement sur tous les canaux de communication courants. Votre agent vocal ne se contentera pas d’impressionner : il sera efficace.
Commencez à créer dès aujourd’hui. C’est gratuit.
FAQ
Existe-t-il des langues ou des dialectes que les systèmes TTS ont du mal à prendre en charge ?
Oui, certains systèmes TTS ont du mal à prendre en charge certaines langues ou dialectes, notamment les langues peu dotées qui manquent de grands ensembles de données vocales et textuelles. Les variantes comme les dialectes régionaux, les langues tonales ou les langues autochtones posent souvent problème car elles nécessitent des règles de prononciation et une prosodie spécifiques, que les modèles standards n’intègrent pas. Même pour les langues très répandues, les différences dialectales peuvent entraîner des erreurs de prononciation ou un rendu peu naturel.
Dans quelle mesure peut-on personnaliser les voix TTS en termes de hauteur, de vitesse et d'émotion ?
Aujourd’hui, les voix TTS sont très personnalisables en termes de hauteur, vitesse et émotion, grâce aux architectures neuronales modernes qui permettent un contrôle précis de la prosodie et du style. De nombreux systèmes commerciaux permettent d’ajuster la vitesse de parole, les schémas d’intonation, le volume et le ton expressif selon le contexte : narration calme, annonces enthousiastes ou dialogues empathiques, par exemple. Cependant, le niveau de contrôle dépend du fournisseur : certains proposent seulement des réglages basiques pour la vitesse et la hauteur, d’autres offrent des paramètres détaillés pour l’expression émotionnelle et le timbre vocal.
Les données vocales traitées par les systèmes TTS sont-elles sécurisées ?
La sécurité des données vocales traitées par les systèmes TTS dépend fortement du fournisseur et du mode de déploiement. Les services TTS cloud chiffrent généralement les données en transit et au repos, mais l’envoi d’informations sensibles à des serveurs externes peut présenter des risques pour la vie privée si les accords et mesures de conformité (comme le RGPD ou l’HIPAA) ne sont pas respectés. Les déploiements sur site ou en périphérie offrent une sécurité accrue, car les données audio et textuelles ne quittent jamais l’infrastructure de l’organisation, limitant ainsi l’exposition à des tiers.
Quel est le coût d’implémentation d’une solution TTS de qualité pour une entreprise ?
Le coût d’implémentation d’une solution TTS de qualité pour une entreprise varie de quelques centaines d’euros par mois pour des API cloud avec une utilisation modérée, à plusieurs dizaines ou centaines de milliers d’euros pour le développement d’une voix sur mesure ou un déploiement sur site. Les coûts incluent généralement les licences, la facturation à la demande (par caractère ou par minute), les efforts d’intégration et de développement, et éventuellement les frais liés à la création d’une voix personnalisée. Les petites entreprises commencent souvent avec des services par abonnement, tandis que les grandes entreprises investissent dans des solutions sur mesure pour garantir la cohérence de leur marque et la confidentialité.
Combien de données d’entraînement faut-il pour créer une voix TTS de qualité ?
Créer une voix TTS de qualité nécessite généralement plusieurs heures à plusieurs dizaines d’heures d’enregistrements vocaux propres et professionnels, idéalement réalisés par le même locuteur dans des conditions constantes. Les systèmes TTS neuronaux modernes comme Tacotron ou FastSpeech peuvent obtenir un rendu correct avec seulement 2 à 5 heures de données, mais pour une voix très naturelle, expressive et robuste, il faut souvent 10 à 20 heures ou plus. Pour le clonage de voix ou des voix très expressives, des ensembles de données encore plus importants et variés, couvrant différents styles, émotions et contextes, sont nécessaires.
.webp)
