Synthèse vocale (TTS) : fonctionnement et écriture pour une voix off IA

Les premières synthèses collaient des syllabes enregistrées : d'où la voix hachée des gares. La synthèse neuronale repose sur des modèles appris, en trois étapes.

La normalisation. Le texte est d'abord converti en mots : « 2024 » doit devenir une année, « St » un saint ou une rue, « 3/4 » une fraction ou une date. C'est une devinette, et c'est l'étape que vous maîtrisez le mieux, puisque vous pouvez écrire les mots vous-même.

Le plan sonore. Un modèle séquentiel traduit le texte en description de l'audio. Dans Tacotron 2, publié par Google, il s'agit d'un spectrogramme à 80 dimensions calculé toutes les 12,5 millisecondes, qui porte la prononciation mais aussi le volume, le débit et l'intonation. La ponctuation agit ici : un point d'interrogation fait monter la mélodie, une virgule crée une respiration.

L'onde. Un vocodeur fabrique le son. WaveNet, présenté par DeepMind en 2016, générait l'audio à 16 000 échantillons par seconde ou plus et réduisait de plus de 50 % l'écart avec la voix humaine dans les tests d'écoute ; Tacotron 2 s'appuyait sur un modèle du même type pour produire un son à 24 kHz jugé comparable à des enregistrements professionnels.

Les auteurs de Tacotron 2 reconnaissaient des difficultés sur des mots comme « decorum » ou « merlot ». Les mots rares restent le point faible, et cela se corrige dans le texte.

Audit express : les finances d'Aubagne est une animation sans site web derrière : un storyboard rédigé à la main à partir des comptes publics 2024 de la commune, comparés par l'IFRAP aux vingt communes de taille similaire. Une voix de synthèse lit 279 mots, le film dure 104 secondes.

Il s'ouvre sur « Aubagne, presque quarante-huit mille habitants aux portes de Marseille », puis sur une question, « Que disent ses comptes publics ? », qui donne à la voix une intonation à faire monter.

La leçon tient aux nombres. La source donnait la dette en chiffres, avec le symbole de l'euro et l'abréviation « hab. ». Le script, lui, dit « deux mille sept cent soixante-quatre euros par habitant ». L'encours devient « cent trente-trois millions d'euros », la note « sept virgule deux sur vingt ». Le modèle n'a plus rien à deviner : ni l'espace des milliers, ni la virgule décimale, ni l'abréviation.

Ce que nous changerions : les seuls chiffres restants sont des années, « chiffres 2024 » et la période « 2018-2024 ». Une année se lit sans problème ; une plage avec un trait d'union mérite une écoute attentive, et « de 2018 à 2024 » lève le doute. Et comme les nombres en toutes lettres allongent les sous-titres, mettez le chiffre sur un carton pendant que la voix le dit.

Pour ramener ce film à 60 secondes, il faudrait couper un peu moins de la moitié des mots, pas accélérer la voix. Le guide la narration fait la durée donne les budgets de mots.

Chaque règle épargne une devinette au modèle.

Le test le moins cher : lisez le script à voix haute, à vitesse normale. Là où vous butez, la voix butera aussi.

Nous enregistrons toute la narration en une seule prise continue, pas un clip par scène : la mélodie reste homogène et aucun mot n'est tronqué à une coupe. Les sous-titres sont découpés dans cette prise, et les scènes se la partagent : une scène dure le temps que ses mots mettent à être dits.

Vous pouvez tout de même diriger chaque scène : un autre narrateur, une vitesse entre 0,8 et 1,2, ou un registre (chaleureux, sérieux, calme, enthousiaste). Les voix sont multilingues : vous choisissez un timbre et une hauteur, pas une langue.

Narration et sous-titres existent en 13 langues. Traduire un film ne double pas l'ancienne bande son : PageToVid réécrit la narration dans la nouvelle langue, enregistre une nouvelle prise, recoupe les sous-titres et refilme la page localisée quand le site en a une (traduction de vidéos). Tahaqqaq, un film de 63 secondes en arabe sur un outil qui vérifie les sources des hadiths, montre l'étendue des langues.

Si votre texte existe déjà sous forme d'article, l'article en vidéo le réécrit pour l'oreille au lieu de le lire tel quel.

La vraie différence se joue quand le script change, ce qui arrive toutes les quelques semaines pour une vidéo produit. Chez PageToVid, la voix off IA est comprise dans les 40 crédits d'un film terminé (tarifs) : modifier une phrase, c'est une nouvelle prise du film entier, en quelques minutes. Un comédien se réserve à la séance, et une phrase réenregistrée trois semaines plus tard colle rarement à l'original. Votre propre voix ne coûte rien, mais chaque correction impose de réenregistrer. Détails dans voix off IA ou voix humaine.

• Écrire pour l'œil. Barres obliques, unités, « cf. » et « etc. » sont des signes de lecture ; une voix les lit littéralement ou les saute.
• Des sigles jamais développés. « Notre CRM se synchronise avec votre ERP » devient une soupe de lettres au rythme d'une narration.
• Des phrases de quarante mots. L'accent tombe au mauvais endroit et aucune pause ne reste pour une coupe.
• Deux langues dans une même prise. Un slogan anglais au milieu d'un script français, ou un film arabe qui se termine sur une adresse web en caractères latins, oblige la voix à changer de phonétique en pleine phrase. Tahaqqaq se termine sur « Tahaqqaq.pages.dev » : c'est la phrase à écouter avant de publier.
• Ajouter des mots en espérant garder la durée. La prise est la timeline.

Fliki est construit autour de la voix : il annonce 2 000+ voix IA dans plus de quatre-vingts langues et dialectes, et le clonage de votre voix à partir d'un court échantillon. Pour une simple piste de voix off, une chaîne narrée avec votre voix clonée ou un dialecte que nous ne proposons pas, c'est le meilleur choix. PageToVid part de la page : la voix explique ce que le spectateur voit, le plus souvent votre vrai site filmé dans un navigateur. Le guide voix off IA explique comment choisir et diriger une voix.