La synthèse vocale (en anglais Text-to-Speech, ou TTS) est la technologie qui convertit un texte écrit en parole audible. Imaginez un lecteur infatigable capable de donner une voix — un timbre, une intonation, un rythme — à n'importe quelle phrase, dans n'importe quelle langue, en quelques millisecondes.
Comment ça marche
Les systèmes modernes reposent sur l'apprentissage profond et fonctionnent en deux grandes étapes :
- Front-end linguistique : le texte est nettoyé, normalisé (transformer « 2026 » en « deux mille vingt-six ») et converti en phonèmes, les plus petites unités sonores.
- Synthèse acoustique : un modèle neuronal (comme Tacotron ou VITS) produit un spectrogramme mel, puis un vocodeur (WaveNet, HiFi-GAN) le transforme en onde sonore.
L'objectif est de maximiser la vraisemblance des échantillons audio $x$ sachant le texte $t$ :
$$\theta^* = \arg\max_{\theta} \; \sum_{i} \log p_{\theta}(x_i \mid t_i)$$
Approches comparées
| Approche | Naturel | Coût | Usage |
|---|---|---|---|
| Concaténative | Moyen | Faible | Anciens GPS |
| Paramétrique (HMM) | Robotique | Très faible | Systèmes embarqués |
| Neuronale (de bout en bout) | Très naturel | Élevé | Assistants vocaux modernes |
Usages et enjeux
La TTS alimente les assistants vocaux, l'accessibilité pour les personnes malvoyantes, les livres audio et le doublage. Les modèles récents permettent le clonage vocal à partir de quelques secondes d'enregistrement — une avancée puissante mais qui pose de réels risques d'usurpation et de deepfakes audio.
Donner une voix à la machine, c'est rapprocher l'IA de l'humain : encore faut-il garder la maîtrise de qui parle.