Comment fonctionne la synthèse vocale, étape par étape

Comment fonctionne la synthèse vocale ? En trois temps. D'abord, le logiciel nettoie votre texte et décide comment prononcer chaque mot. Ensuite, un modèle neuronal prédit le rythme, la hauteur et la durée de la phrase, sous forme de spectrogramme. Enfin, un vocodeur transforme ce spectrogramme en son réel. Toute la chaîne tourne en quelques secondes pour un article de 1000 mots, ce qui permet de coller un lien et d'appuyer sur lecture.

Qu'est-ce qui se passe entre la page et vos oreilles ?

Imaginez un relais à quatre coureurs. Le texte entre. Il passe à l'étape de prononciation, puis à celle de la prosodie, puis au générateur de forme d'onde. Le son sort.

Chaque moteur moderne, de la voix d'accessibilité de votre téléphone aux narrateurs des applications de lecture, suit une variante de ce relais. Certains systèmes récents fusionnent deux ou trois coureurs dans un seul réseau. Les tâches existent toujours, elles sont simplement faites à l'intérieur d'un même modèle.

ENTRÉE  → "Dr. Voss a payé $4.50 le 21/05."
ÉTAPE 1 → "Docteur Voss a payé quatre dollars cinquante le vingt et un mai."
ÉTAPE 2 → /ˈdɑːktɚ vɔs .../
ÉTAPE 3 → hauteur, durée, énergie par phonème
ÉTAPE 4 → forme d'onde, 22050 à 48000 échantillons par seconde

C'est toute l'astuce. La suite de cet article décrit le rôle de chaque coureur, l'endroit où il échoue, et ce que vous entendez quand cela arrive.

Pourquoi la normalisation du texte compte-t-elle autant ?

Parce qu'un texte écrit n'est pas un texte prononçable. Une page est pleine de nombres, de dates, d'abréviations, de symboles monétaires, d'URL, de marqueurs de notes et d'emojis. Aucun de ces éléments n'a de prononciation évidente.

La normalisation les développe. « 21/05/24 » devient « vingt et un mai deux mille vingt-quatre ». « $4.50 » devient « quatre dollars cinquante ». « Dr » se lit « docteur » ou « drive », selon ce qui suit. Les anciens moteurs faisaient ce travail avec des règles écrites à la main. Les plus récents mélangent des règles et un petit modèle appris pour les cas ambigus.

C'est là que les articles déraillent, d'une façon que vous remarquez tout de suite. Un nom de produit comme « iPhone 15 Pro Max » lu « quinze » au lieu de « un cinq » change la phrase. Un renvoi comme « [12] » lu au milieu d'un paragraphe casse la pensée. Les bons outils d'article vers audio retirent les marqueurs de notes, sautent la navigation et décident quoi faire des tableaux avant que la voix ne s'ouvre.

Sur une longue lecture, vous entendez la différence dès la première minute. Si le narrateur bute sur un nombre, c'est la normalisation qui a échoué, pas la voix.

Comment le système sait-il prononcer chaque mot ?

L'orthographe guide mal le son, dans toutes les langues. En anglais, « though », « through », « tough » et « thought » partagent presque toutes leurs lettres et presque aucun son. Le moteur a donc besoin d'une étape de prononciation, appelée conversion graphème-phonème, ou G2P.

Un phonème est la plus petite unité de son qui distingue deux mots. L'anglais en utilise une quarantaine. L'étape G2P applique deux méthodes. Un dictionnaire de prononciation couvre les mots courants et les exceptions connues. Un modèle appris devine le reste, comme un nom de famille qu'il n'a jamais vu.

Vient ensuite le plus difficile : les homographes. « Read » se prononce [rɛd] au passé et [riːd] au présent. « Bass » désigne le poisson et l'instrument, avec deux sons différents. Le modèle doit donc regarder la phrase autour du mot. C'est pour cela que les moteurs modernes utilisent des réseaux sensibles au contexte, et non de simples recherches dans un dictionnaire.

Là où il échoue encore :

• Les noms propres, surtout non anglais, dans un article majoritairement en français.

• Le jargon technique et les sigles, où « SQL » peut devenir « sequel » ou « S-Q-L ».

• Les marques qui cassent volontairement les règles d'orthographe.

La plupart des moteurs permettent d'ajouter une prononciation personnalisée. Peu de lecteurs le font. Si un mot revient sans cesse et fait trébucher le narrateur, ce réglage vaut la peine d'être trouvé.

D'où viennent le rythme et l'intonation ?

C'est l'étape qui sépare une voix plate d'une voix qu'on peut écouter pendant quarante minutes. On l'appelle la prosodie : accentuation, débit, pauses et mouvement de la hauteur sur une phrase.

Les humains le font sans y penser. On monte la voix en fin de question, on ralentit avant une virgule, on appuie sur le mot qui porte le sens. Le modèle de synthèse doit tout prédire à partir du texte seul. Pour chaque phonème, il estime trois valeurs : sa durée, la hauteur de la voix et son énergie. Il s'appuie sur les mots voisins, la ponctuation et la position du son dans sa syllabe, son mot et sa phrase.

La ponctuation est le signal le plus fort qu'il reçoit. Une virgule ajoute une courte pause, un point une pause plus longue, un saut de paragraphe une pause encore plus longue. C'est pourquoi un article mal mis en forme, sans sauts de paragraphe ou avec des guillemets imbriqués à l'infini, paraît précipité, même avec une excellente voix.

Un repère utile : un narrateur typique parle à environ 150 mots par minute. Un essai de 3000 mots dure donc environ 20 minutes. La plupart des applications permettent d'accélérer à 1,5x ou 2x, ce qui ramène ce même essai à 13 ou 10 minutes. La qualité de la prosodie décide si le 1,5x reste confortable ou tourne à la bouillie.

Qu'est-ce qu'un vocodeur, et pourquoi en faut-il un ?

Après la planification prosodique, le modèle dispose d'un plan, mais pas encore de son. Dans la plupart des systèmes neuronaux, ce plan est un spectrogramme de Mel : une image de la répartition de l'énergie sur les fréquences au fil du temps, généralement à environ 80 images par seconde.

Un spectrogramme n'est pas un son. Il jette les détails de phase fins qui font d'une forme d'onde une forme d'onde. Un second modèle, le vocodeur, doit donc reconstruire une onde compatible. Cela signifie produire des dizaines de milliers d'échantillons audio par seconde, chacun décrivant la pression de l'air à un instant donné.

WaveNet, publié par DeepMind en 2016, a rendu le vocodage neuronal célèbre. Il générait l'audio brut un échantillon à la fois, avec une qualité très supérieure à tout ce qui existait. Il était aussi lent. Des vocodeurs plus récents comme HiFi-GAN génèrent l'audio en parallèle, bien plus vite que le temps réel, ce qui rend la lecture instantanée possible sur un téléphone.

Certains systèmes sautent l'étape intermédiaire. VITS, décrit dans un article de 2021, entraîne un seul réseau qui passe directement des phonèmes à la forme d'onde. Moins de relais, c'est moins d'endroits où les erreurs s'accumulent.

Comment en est-on arrivé là, depuis les jouets parlants des années 1980 ?

La synthèse vocale n'a pas commencé avec les réseaux de neurones. Elle a traversé trois époques, et vous en retrouvez encore des restes dans les lecteurs d'écran anciens.

Synthèse par formants et règles. Des ingénieurs modélisaient le conduit vocal avec des filtres et réglaient les paramètres à la main. Le son était intelligible et nettement mécanique. C'est la voix des premiers jouets parlants et de la première génération de lecteurs d'écran. Certains utilisateurs malvoyants gardent encore un de ces moteurs sur leur téléphone à vitesse élevée, parce qu'il est rapide, prévisible et ne change jamais d'une mise à jour à l'autre.

Synthèse par concaténation ou sélection d'unités. Au lieu de modéliser la voix, on enregistre un locuteur humain pendant des dizaines d'heures, on découpe l'audio en petites unités, puis on assemble les bonnes au moment de la lecture. Le rendu était bien plus humain, mais les raccords s'entendaient. Sur les mots inhabituels, on percevait les coutures, et une voix ne pouvait pas changer de style sans une nouvelle séance d'enregistrement.

Synthèse neuronale. L'approche actuelle. Le modèle apprend la correspondance complète à partir d'un grand corpus d'enregistrements et génère le son au lieu de l'assembler. Le style, la vitesse et l'émotion deviennent contrôlables. Cloner une voix à partir d'un court extrait est devenu possible. Et les coutures ont presque disparu.

Une réserve honnête. Les voix neuronales ne sont pas parfaites. Elles peuvent inventer un mot, avaler une syllabe ou aplatir une phrase qui demandait de l'insistance. Les erreurs sont plus rares et plus étranges que les anciennes, mais elles existent. Sur un long document, on préfère une voix un peu plus neutre qui ne bute jamais à une voix magnifique qui rate une phrase sur cinquante.

Quels outils de synthèse vocale montrent ces étapes en pratique ?

Chaque produit fait un pari différent sur le relais. Voici quelques outils à connaître, avec un avis franc sur chacun.

Speechify mise sur le soin de l'application et une large bibliothèque de voix. Solide sur mobile, avec des imports depuis de nombreuses sources. Si vous cherchez le plus grand nombre d'intégrations, commencez par là.

NaturalReader est le nom plus ancien et plus sobre du secteur. Il est stable sur les documents et les PDF, et reste un choix sensé quand votre source est un fichier plutôt qu'un article web.

ElevenLabs se place à l'autre bout. C'est d'abord une plateforme de génération de voix, avec une prosodie et un clonage très travaillés. Elle est conçue pour produire de l'audio que vous publiez, pas pour traiter une file de lecture au quotidien.

Voice Dream Reader est celui que beaucoup de lecteurs malvoyants connaissent déjà. Il vous laisse changer de moteur vocal, ajuster les prononciations et régler la vitesse par pas fins, ce qui rend le relais décrit plus haut réellement ajustable.

Inutile de chercher celui qui a « la meilleure voix ». Ce qui change, c'est l'étape de nettoyage : comment l'outil traite un article, ce qu'il fait d'un tableau, comment il gère un texte de 5000 mots avec des guillemets imbriqués. C'est là qu'un flux de lecture réussit ou échoue sans bruit.

Ce que ça change dans votre façon d'écouter

Connaître le relais vous donne trois gestes concrets.

1. Nettoyez le texte. Retirez les publicités, les bandeaux de cookies et les notes superflues avant d'envoyer un article en audio. Le mode lecture aide. Le nettoyage ne peut corriger que ce qu'on lui donne.

2. Adaptez la vitesse à la prosodie. Si une voix sonne bien à 1x mais se dégrade à 1,5x, son modèle de durée est le point faible. Essayez une autre voix avant de renoncer à accélérer.

3. Corrigez les récidivistes. Si un nom ou un sigle revient mal à chaque fois, ajoutez une prononciation personnalisée une fois, plutôt que de la subir pendant des mois.

Testez aussi avec votre pire article, pas avec le meilleur. Un billet de 800 mots bien propre ne prouve rien. Un texte dense de 4000 mots, avec chiffres, citations et tableau, c'est le vrai examen.

Avant votre prochain trajet, mettez en file une longue lecture et une courte. Écoutez les deux premières minutes de chacune à vitesse normale, puis à 1,5x. Vous reconnaîtrez les étapes décrites ici, et vous saurez quel coureur a laissé tomber le témoin.

TRANSMITTING → voix: narrateur-calme → vitesse: 1,5x → durée: 13m20s