Glossaire IA · Voix
Synthèse vocale
En une phrase
La synthèse vocale est la production artificielle de voix humaine par ordinateur. C'est la discipline derrière le text to speech, le clonage de voix et les agents qui parlent ; elle repose aujourd'hui surtout sur des réseaux de neurones entraînés sur de vrais enregistrements.
Autres noms: voix de synthèse · voix artificielle · génération de voix · speech synthesis
Qu’est-ce que la synthèse vocale ?
C’est la branche qui apprend aux machines à parler. Son application la plus connue est le text to speech, qui lit un texte à voix haute, mais le domaine est plus large : il couvre aussi la conversion d’une voix en une autre, la création de voix nouvelles ou l’imitation d’une personne précise.
Passez à la pratique
Un agent vocal qui décroche pour vous
Dès 149 €/mois + TVA
Il répond aux appels 24h/24, prend les rendez-vous et note chaque appel dans le CRM.
Découvrir l'agent vocalEn quelques décennies, tout a changé :
| Génération | Fonctionnement | Rendu |
|---|---|---|
| Concaténative | Assemble des fragments de voix enregistrée | Clair, mais avec des ruptures entre syllabes |
| Paramétrique | Un modèle statistique calcule la voix | Fluide, mais métallique |
| Neuronale | Un réseau de neurones génère l’onde sonore | Très naturel, avec intonation et pauses |
C’est la génération neuronale qui permet à un agent téléphonique de sonner comme une personne et non comme un répondeur.
En lien avec ce terme
UTIO Voice
- 500 minutes et un numéro inclus
- Conversation naturelle en 26 langues
- Il se présente comme assistant virtuel
- 14 jours d'essai sans carte
Dès 149 €/mois + TVA
Découvrir l'agent vocalComment ça marche
La synthèse neuronale fonctionne souvent en deux temps :
- Du texte au plan sonore. Un modèle fixe la prononciation, le rythme, l’intonation et l’accentuation, ce qu’on appelle la prosodie. C’est ce qui apporte le naturel : monter en fin de question, marquer une pause avant une information importante.
- Du plan à l’audio. Un autre modèle, le vocodeur, transforme ce plan en onde sonore audible.
Certains modèles récents font les deux d’un coup, voire passent directement de la voix à la voix. En conversation, la synthèse doit être rapide et commencer à parler avant d’avoir la phrase complète : sinon, le voicebot répond par un silence gênant.
La qualité d’une voix de synthèse se juge surtout à l’oreille, par des tests d’écoute. Les mesures automatiques aident, mais ne remplacent pas une personne qui écoute et dit si la voix sonne naturelle et se comprend.
Exemple
Un domaine viticole de Bourgogne veut des audioguides en français, anglais et espagnol pour ses visites. Enregistrer trois voix off professionnelles, et tout refaire à chaque changement de parcours, coûtait cher. Avec la synthèse vocale, l’équipe écrit le script et génère l’audio dans les trois langues avec des voix neuronales. Quand une salle change, on corrige le texte et on régénère ce passage. Pour le mot de la fin, le vigneron a enregistré sa propre voix : le domaine a écarté l’idée de la cloner.
Ce que ça change pour votre entreprise
La synthèse vocale est désormais assez naturelle pour répondre au téléphone, lire des annonces ou produire des audios de formation. Deux précautions : la transparence et le consentement. Prévenez que c’est une IA qui parle et n’imitez la voix de personne sans accord écrit.
Dans l’agent vocal d’UTIO, la voix de synthèse est fournie par des prestataires américains sous garanties contractuelles, et l’agent se présente comme assistant virtuel au début de chaque appel. Si vous développez, l’API d’IA propose la synthèse vocale en plusieurs langues et voix.
Questions fréquentes
Qu'est-ce que le clonage de voix ?
C'est une technique de synthèse qui crée une voix artificielle proche de celle d'une personne précise à partir de ses enregistrements. Elle a des usages légitimes, comme donner une voix à une marque ou à quelqu'un qui a perdu la sienne, mais exige le consentement explicite de la personne.
Peut-on légalement utiliser une voix de synthèse avec ses clients ?
Oui, en toute transparence. Le règlement européen sur l'IA demande que les personnes sachent qu'elles interagissent avec une IA et que l'audio généré soit identifiable comme artificiel. En pratique, l'agent se présente comme assistant virtuel.
Synthèse vocale et text to speech, quelle différence ?
La synthèse vocale est le domaine entier : toutes les manières de produire une voix artificielle. Le text to speech en est l'application qui part d'un texte écrit. Certaines synthèses ne partent pas d'un texte, comme la conversion d'une voix en une autre.
Termes associés
- Text to speech
Le text to speech (TTS) est la technologie qui convertit un texte écrit en parole. C'est la brique, en général un modèle accessible par API, qui donne une voix à un agent téléphonique, à un lecteur d'écran ou à un audio généré à partir d'un texte.
- Voicebot
Un voicebot est un programme qui converse à l'oral : il écoute une personne, comprend ce qu'elle veut et lui répond de vive voix. Il fonctionne au téléphone, sur un site, une appli ou une enceinte et, avec l'IA générative, gère des conversations ouvertes, pas seulement des menus.
- AI Act (règlement européen sur l'IA)
L'AI Act est le règlement (UE) 2024/1689, la loi européenne sur l'intelligence artificielle. Il classe les systèmes d'IA par niveau de risque et fixe des obligations à ceux qui les conçoivent et les utilisent, de l'interdiction de certains usages à des devoirs de transparence.
- Réseau de neurones
Un réseau de neurones artificiels est un modèle mathématique composé de couches d'unités reliées, appelées neurones, qui transforment une entrée numérique en sortie. Il apprend en ajustant le poids de chaque connexion à partir d'exemples.
Mis à jour le