Glossaire IA · Voix
Text to speech
En une phrase
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.
Autres noms: TTS · texte vers voix · texte en parole · voix de synthèse
Qu’est-ce que le text to speech ?
« Text to speech » signifie « du texte à la parole », abrégé en TTS. C’est la bouche d’une machine. Vous lui donnez un texte, elle renvoie un audio où une voix le lit. Les voix d’il y a quelques années sonnaient robotiques et plates. Celles d’aujourd’hui, produites par des réseaux de neurones, ont une intonation, des pauses et un rythme très proches de ceux d’une personne.
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 vocalDeux termes voisins :
- Text to speech : le composant ou service concret qui convertit le texte en audio.
- Synthèse vocale : la discipline technique qui le rend possible.
Son contraire est le speech to text, qui convertit la voix en texte.
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
- Normaliser le texte. Développer abréviations, chiffres et dates : « 15 € » devient « quinze euros ».
- Choisir la prononciation et la prosodie. Quels sons produire et avec quelle intonation : une question ne se dit pas comme une affirmation.
- Générer l’audio. Un modèle neuronal produit l’onde sonore avec la voix choisie.
Ce qu’on règle le plus souvent :
| Réglage | Exemple |
|---|---|
| Voix | Masculine, féminine, plus jeune ou plus grave |
| Langue et accent | Français de France, espagnol, anglais britannique |
| Débit et pauses | Plus lent pour dicter un numéro |
| Prononciation | Comment lire une marque ou un sigle |
Dans un voicebot, le TTS travaille en streaming : il commence à parler dès les premiers mots de la réponse, sans attendre la phrase entière. C’est essentiel pour réduire la latence.
Exemple
Un réseau de cars interurbains en Bretagne doit annoncer des changements d’horaires par téléphone et dans les gares routières. Avant, chaque annonce était enregistrée en studio par une comédienne. Désormais, l’équipe rédige l’annonce et un service de TTS produit l’audio en quelques minutes, toujours avec la même voix. Pour que les noms de communes bretonnes soient bien lus, elle ajoute quelques règles de prononciation maison.
Le text to speech chez UTIO
L’agent vocal d’UTIO utilise le TTS pour parler à chaque appel : il se présente comme assistant virtuel et converse en 26 langues. La voix est incluse dans la minute, avec le modèle, la transcription et la téléphonie ; la voix de synthèse est fournie par des prestataires américains sous garanties contractuelles.
Si vous êtes développeur, l’API d’IA d’UTIO propose la synthèse vocale : un audio naturel à partir d’un texte, en plusieurs langues et voix, avec la même clé que la transcription, l’OCR ou les embeddings.
Questions fréquentes
Text to speech et synthèse vocale, quelle différence ?
La synthèse vocale est la discipline : comment produire une voix artificielle. Le text to speech en est l'application la plus courante, avec un texte en entrée. Un service de « TTS », c'est de la synthèse vocale prête à l'emploi.
Peut-on choisir la voix et l'accent ?
Oui. Les services de TTS proposent des catalogues de voix par langue et par accent, et permettent de régler le débit ou les pauses. Certains acceptent des balises dans le texte, par exemple en SSML, pour indiquer comment lire une date ou un sigle.
Comment le TTS lit-il les chiffres, sigles et adresses ?
C'est là qu'il se trompe le plus. Avant la synthèse, le texte est « normalisé » : « bd » devient « boulevard », « 3/10 » devient « trois octobre ». Testez avec vos propres données et, si besoin, écrivez dans le texte comment le mot doit sonner.
Termes associés
- Synthèse vocale
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.
- Speech to text
Le speech to text (STT) est la technologie qui convertit la parole en texte écrit. C'est la brique logicielle, en général un modèle accessible par API, qui « écoute » dans un voicebot, une dictée ou un outil de transcription, en temps réel ou sur des enregistrements.
- 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.
- Latence
La latence est le temps qui s'écoule entre une requête et le début de la réponse. Pour un agent vocal, c'est le silence entre le moment où le client se tait et celui où il entend le premier mot de l'agent : c'est elle qui rend la conversation naturelle ou non.
Mis à jour le