Speech synthesis : principes de base et champs d’ap­pli­ca­tion

La Speech synthesis ou synthèse vocale restitue les textes sous forme de mots parlés à l’aide d’une voix simulée. Pour ce faire, la synthèse vocale fait appel à des al­go­rithmes complexes. Ses avantages com­pren­nent une meilleure ac­ces­si­bi­lité et diffusion des in­for­ma­tions, une ex­pé­rience uti­li­sa­teur per­son­na­li­sée et des in­te­rac­tions plus efficaces.

Speech synthesis, c’est quoi ?

La synthèse vocale, souvent appelée Speech synthesis ou Text-to-Speech (TTS), est une tech­no­lo­gie qui trans­forme les textes écrits en une parole syn­thé­tique vivante et les restitue à l’aide d’une voix simulée. La tech­no­lo­gie TTS utilise des segments vocaux préen­re­gis­trés pour générer une voix ar­ti­fi­cielle qui reproduit les textes sous forme de signaux acous­tiques de manière aussi au­then­tique et naturelle que possible. Alors que les premières tech­no­lo­gies TTS se con­ten­taient de jux­ta­po­ser des chaînes de mots ou de phrases fixes, la synthèse vocale moderne est capable de re­pro­duire dif­fé­rentes nuances et in­to­na­tions. Elle combine in­tel­li­gem­ment des segments de voix pour créer des contenus originaux avec un rendu plus naturel.

La synthèse vocale est idéale pour trans­mettre des textes, des messages et des in­for­ma­tions de manière rentable, sans avoir recours à des voix humaines. Elle permet aussi d’optimiser la com­mu­ni­ca­tion, l’ac­ces­si­bi­lité et d’élargir la portée. C’est la raison pour laquelle la synthèse vocale est utilisée dans dif­fé­rents secteurs et à diverses fins, qu’elles soient com­mer­ciales, édu­ca­tives, liées aux services ou à la na­vi­ga­tion GPS.

Comment fonc­tionne la synthèse vocale ?

Le processus de Speech synthesis commence gé­né­ra­le­ment par l’entrée de contenus écrits tels que des messages, des textes, des in­for­ma­tions pu­bli­ci­taires ou des emails. Le logiciel convertit ensuite le texte en langage naturel simulé et utilise pour cela dif­fé­rents al­go­rithmes, des signaux vocaux en­re­gis­trés ou des réseaux neuronaux, l’in­tel­li­gence ar­ti­fi­cielle ou le Machine Learning. Pour ce faire, il peut générer une voix ar­ti­fi­cielle ou simuler une voix en­re­gis­trée. Afin d’obtenir un rendu aussi naturel que possible, le ton, l’in­to­na­tion et le style de la parole sont ajustés pour imiter au mieux la façon dont parle l’être humain.

Aux débuts de la synthèse vocale, on utilisait surtout des « conserves vocales », c’est-à-dire des mots et des phrases préen­re­gis­trés mis bout à bout qui donnaient naissance aux fameuses voix ro­bo­ti­sées. Aujourd’hui, les logiciels TTS peuvent s’appuyer sur une vaste base de données de signaux et de segments vocaux pour générer une voix flexible et naturelle, même lorsqu’ils traitent des textes inconnus.

S’ajoutent aussi à cela, des tech­no­lo­gies comme les modèles acous­tiques, la synthèse par formants, la synthèse ar­ti­cu­la­toire et l’overlap add (en français su­per­po­si­tion-addition). Elles dé­com­po­sent le texte en signaux audio et syn­thé­ti­sent de manière aussi naturelle que possible les en­chaî­ne­ments de mots, la vitesse de parole, la prosodie et l’in­to­na­tion.

Quels sont les domaines d’ap­pli­ca­tion de la synthèse vocale ?

La synthèse vocale peut être utilisée dans un large éventail d’ap­pli­ca­tions. Parmi celles-ci, on trouve :

• Tech­no­lo­gies d’ac­ces­si­bi­lité : un logiciel de synthèse vocale permet entre autres aux personnes mal­voyantes de faire lire des textes à l’écran. Grâce aux lecteurs d’écran, les personnes aveugles ou mal­voyantes peuvent utiliser un or­di­na­teur de manière autonome, accéder à des in­for­ma­tions, réaliser des tra­duc­tions ou encore convertir la synthèse vocale en texte sur des lignes en braille.
• Éducation et formation continue : les logiciels de synthèse vocale per­met­tent de rendre ac­ces­sibles et de diffuser ef­fi­ca­ce­ment les en­re­gis­tre­ments et les trans­crip­tions de cours, de matériel pé­da­go­gique ou de con­fé­rences. Par ailleurs, les auteurs et les ré­dac­teurs peuvent utiliser la synthèse vocale pour vérifier leurs textes, repérer des erreurs et s’assurer de la clarté du contenu en le faisant lire à voix haute.
• Pro­duc­tion de podcasts, de blogs audio et de livres audio : pour les formats audio po­pu­laires tels que les podcasts, les blogs audio ou les livres audio, la synthèse vocale permet une pro­duc­tion rapide, éco­no­mique et de qualité. Plutôt que de faire appel à des nar­ra­teurs pro­fes­sion­nels, des contenus audio de qualité peuvent être créés à moindre coût grâce au TTS et être diffusés sous forme de fichiers MP3 ou via des pla­te­formes de streaming.
• Annonces té­lé­pho­niques et service clientèle : qu’il s’agisse de messages té­lé­pho­niques et d’enceintes in­tel­li­gentes ou de systèmes de service client, la synthèse vocale permet d’assister ef­fi­ca­ce­ment les clients et de traiter ra­pi­de­ment leurs demandes.
• Systèmes de na­vi­ga­tion : la synthèse vocale joue un rôle clé dans les systèmes de na­vi­ga­tion, utilisés dans les appareils GPS et les ap­pli­ca­tions de na­vi­ga­tion. Elle permet d’améliorer le service, l’au­to­ma­ti­sa­tion et la sécurité dans les trans­ports publics en four­nis­sant des in­for­ma­tions sur le trafic, des ins­truc­tions sur le trajet et des annonces au­to­ma­tiques des arrêts.
• Di­ver­tis­se­ment et médias : dans les médias de di­ver­tis­se­ment tels que les jeux vidéo, les films d’animation, les do­cu­men­taires ou d’autres formats in­te­rac­tifs, la Speech synthesis permet de créer des ex­pé­riences de jeu im­mer­sives et des per­son­nages ar­ti­fi­ciels dotés d’une voix et d’un langage réalistes.
• Services vocaux au­to­ma­ti­sés et as­sis­tants vocaux : que ce soit pour le Voice Search SEO (ré­fé­ren­ce­ment vocal), l’op­ti­mi­sa­tion de la recherche vocale, les as­sis­tants vocaux, les chatbots ou l’IA gé­né­ra­tive, la synthèse vocale vous permet de proposer des as­sis­tants virtuels ainsi que des fonctions avec synthèse vocale ou commande vocale.

L’uti­li­sa­tion du TTS offre en outre la pos­si­bi­lité non seulement de recourir à des voix neu­ro­nales pré­dé­fi­nies, mais aussi de créer des voix neu­ro­nales per­son­na­li­sées ou de simuler des voix réelles par en­re­gis­tre­ment. Les voix ar­ti­fi­cielles peuvent ainsi être adaptées à des marques, à des campagnes pu­bli­ci­taires ou à des produits tels que des livres audio, des podcasts ou des ap­pli­ca­tions vocales.

Quelle est la dif­fé­rence entre la synthèse vocale et la re­con­nais­sance vocale ?

La synthèse vocale trans­forme des contenus écrits en paroles en utilisant des voix générées par or­di­na­teur pour rendre les textes de manière acous­tique. À l’inverse, la re­con­nais­sance vocale est conçue pour com­prendre la parole et la convertir en texte écrit, en trans­for­mant les ex­pres­sions orales en ca­rac­tères nu­mé­riques. En bref, la synthèse vocale est con­si­dé­rée comme la con­tre­par­tie de la re­con­nais­sance vocale, puisqu’elle convertit les textes en paroles, tandis que la re­con­nais­sance vocale fait l’inverse, en trans­for­mant le langage parlé en texte écrit.

La Speech Synthesis et la re­con­nais­sance vocale sont souvent étroi­te­ment liées et utilisées ensemble dans les systèmes d’as­sis­tance vocale. La synthèse vocale permet de fournir aux uti­li­sa­teurs des réponses sous forme parlée, tandis que la re­con­nais­sance vocale permet au système de com­prendre les demandes et d’y répondre en con­sé­quence. Ces deux tech­no­lo­gies se com­plè­tent par­fai­te­ment, amé­lio­rant ainsi l’in­te­rac­tion homme-machine.

Autres types de synthèse vocale

La synthèse vocale propose, outre les logiciels de Text-to-Speech (TTS), d’autres systèmes vocaux tels que :

• La prothèse vocale : les prothèses vocales aident les personnes souffrant d’un handicap physique ou lin­guis­tique à produire un langage naturel à l’aide de systèmes vocaux générés par or­di­na­teur et d’entrées minimales. Elles visent à pro­mou­voir l’ac­ces­si­bi­lité en fa­ci­li­tant l’accès à l’in­for­ma­tique et la com­mu­ni­ca­tion.
• La synthèse vocale mul­ti­mo­dale : la synthèse vocale mul­ti­mo­dale, aussi appelée synthèse vocale au­dio­vi­suelle, utilise la parole syn­thé­ti­sée en com­bi­nai­son avec des visages animés pour compléter la parole par des signaux visuels et des ex­pres­sions faciales telles que des sourires ou des mou­ve­ments de tête. Cela permet d’améliorer la force d’ex­pres­sion, la vivacité, le naturel et les nuances de la synthèse vocale.