La synthèse vocale est la production artificielle de la parole humaine. Un système informatique utilisé à cette fin est appelé synthétiseur vocal, et peut être implémenté dans des produits logiciels ou matériels. Un système de synthèse vocale à partir de texte (TTS) convertit un texte en langage naturel en parole ; d'autres systèmes transforment des représentations linguistiques symboliques, comme les transcriptions phonétiques, en parole. Le processus inverse est la reconnaissance vocale.
La parole synthétisée peut être créée en concaténant des morceaux de parole enregistrée stockés dans une base de données. Les systèmes diffèrent par la taille des unités de parole stockées ; un système qui stocke des phones ou des diphones offre la plus grande gamme de sortie, mais peut manquer de clarté. Pour des domaines d'utilisation spécifiques, le stockage de mots ou de phrases entiers permet une sortie de haute qualité. Alternativement, un synthétiseur peut intégrer un modèle du conduit vocal et d'autres caractéristiques de la voix humaine pour créer une sortie vocale complètement « synthétique ».
La qualité d'un synthétiseur vocal est jugée par sa similarité avec la voix humaine et par sa capacité à être compris clairement. Un programme de synthèse vocale intelligible permet aux personnes ayant des déficiences visuelles ou des troubles de la lecture d'écouter des mots écrits sur un ordinateur personnel. Le premier système d'exploitation informatique à avoir inclus un synthétiseur vocal fut Unix en 1974, via l'utilitaire Unix speak. En 2000, Microsoft Sam était le synthétiseur vocal par défaut utilisé par la fonctionnalité d'accessibilité Narrateur, qui était livrée avec tous les systèmes d'exploitation Windows 2000, ainsi que les systèmes Windows XP ultérieurs.
Architecture d'un système de synthèse vocale
Un système de synthèse vocale (ou « moteur ») est composé de deux parties : un frontal et un dorsal. Le frontal a deux tâches principales. Premièrement, il convertit le texte brut contenant des symboles comme les nombres et les abréviations en équivalent de mots écrits en toutes lettres. Ce processus est souvent appelé normalisation du texte, prétraitement ou tokenisation. Le frontal attribue ensuite des transcriptions phonétiques à chaque mot, et divise et marque le texte en unités prosodiques, comme les phrases, les propositions et les phrases complètes. Le processus d'attribution de transcriptions phonétiques aux mots est appelé conversion texte-phonème ou graphème-phonème. Les transcriptions phonétiques et les informations de prosodie constituent ensemble la représentation linguistique symbolique produite par le frontal.
Le dorsal, souvent appelé synthétiseur, convertit ensuite la représentation linguistique symbolique en son. Dans certains systèmes, cette partie inclut le calcul de la prosodie cible (contour de hauteur, durées des phonèmes), qui est ensuite imposée à la parole de sortie. Cette conception en deux étapes permet un développement modulaire, où l'analyse linguistique peut être améliorée indépendamment de la génération acoustique.
Développement historique
Bien avant l'invention du traitement du signal électronique, certaines personnes ont tenté de construire des machines pour imiter la parole humaine. Il y avait aussi des légendes sur l'existence de « Têtes d'airain », comme celles impliquant le pape Sylvestre II (mort en 1003 après J.-C.), Albert le Grand (1198-1280) et Roger Bacon (1214-1294).
En 1779, le scientifique germano-danois Christian Gottlieb Kratzenstein remporta le premier prix d'un concours annoncé par l'Académie impériale russe des sciences et des arts pour des modèles qu'il avait construits du conduit vocal humain capables de produire les cinq voyelles longues (en notation de l'Alphabet phonétique international : [aː], [eː], [iː], [oː] et [uː]). Suivit la « machine à parler acoustico-mécanique » actionnée par soufflet de Wolfgang von Kempelen de Pressburg, en Hongrie, décrite dans un article de 1791. Cette machine ajoutait des modèles de la langue et des lèvres, lui permettant de produire des consonnes ainsi que des voyelles. En 1837, Charles Wheatstone produisit une « machine à parler » basée sur le design de von Kempelen, et en 1846, Joseph Faber exposa l'« Euphonia ». En 1923, Paget ressuscita le design de Wheatstone.
Dans les années 1930, Bell Labs développa le vocodeur, qui analysait automatiquement la parole en ses tons fondamentaux et résonances. À partir de son travail sur le vocodeur, Homer Dudley développa un synthétiseur vocal à clavier appelé The Voder (Voice Demonstrator), qu'il exposa à l'Exposition universelle de New York en 1939.
Franklin S. Cooper et ses collègues des laboratoires Haskins construisirent le pattern playback à la fin des années 1940 et l'achevèrent en 1950. Il existait plusieurs versions différentes de ce dispositif matériel ; une seule survit actuellement. La machine convertit des images des motifs acoustiques de la parole sous forme de spectrogramme en son. En utilisant ce dispositif, Alvin Liberman et ses collègues découvrirent des indices acoustiques pour la perception des segments phonétiques (consonnes et voyelles).
Systèmes électroniques et informatiques
Les premiers systèmes de synthèse vocale basés sur ordinateur sont apparus à la fin des années 1950. Noriko Umeda et al. développèrent le premier système général de synthèse vocale anglais en 1968, au Laboratoire électrotechnique du Japon. En 1961, le physicien John Larry Kelly, Jr et son collègue Louis Gerstman utilisèrent un ordinateur IBM 7090 pour synthétiser la parole, un événement parmi les plus marquants de l'histoire de Bell Labs. Le synthétiseur vocal (vocodeur) de Kelly recréa la chanson « Daisy Bell », avec un accompagnement musical de Max Mathews. Par coïncidence, Arthur C. Clarke rendait visite à son ami et collègue John Pierce au centre de Murray Hill de Bell Labs. Clarke fut tellement impressionné par la démonstration qu'il l'utilisa dans la scène culminante de son scénario pour son roman 2001 : L'Odyssée de l'espace, où l'ordinateur HAL 9000 chante la même chanson alors que l'astronaute Dave Bowman le met en veille. Malgré le succès de la synthèse vocale purement électronique, la recherche sur les synthétiseurs vocaux mécaniques se poursuit.
Le codage prédictif linéaire (LPC), une forme de codage de la parole, commença son développement avec les travaux de Fumitada Itakura de l'Université de Nagoya et Shuzo Saito de Nippon Telegraph and Telephone (NTT) en 1966. D'autres développements de la technologie LPC furent réalisés par Bishnu S. Atal et Manfred R. Schroeder chez Bell Labs dans les années 1970. Le LPC fut ensuite la base des premières puces de synthèse vocale, comme les puces vocales LPC de Texas Instruments utilisées dans les jouets Speak & Spell à partir de 1978.
En 1975, Fumitada Itakura développa la méthode des paires spectrales de lignes (LSP) pour le codage vocal à haute compression, alors qu'il était chez NTT. De 1975 à 1981, Itakura étudia des problèmes d'analyse et de synthèse vocale basés sur la méthode LSP. En 1980, son équipe développa une puce de synthèse vocale basée sur LSP. Le LSP est une technologie importante pour la synthèse et le codage de la parole, et dans les années 1990, il fut adopté par presque toutes les normes internationales de codage vocal comme composant essentiel, contribuant à l'amélioration de la communication vocale numérique sur les canaux mobiles et Internet.
En 1975, MUSA fut publié, et fut l'un des premiers systèmes de synthèse vocale. Il consistait en un matériel informatique autonome et un logiciel spécialisé qui lui permettait de lire l'italien. Une deuxième version, publiée en 1978, était également capable de chanter l'italien dans un style « a cappella ».
Les systèmes dominants dans les années 1980 et 1990 étaient le système DECtalk, basé en grande partie sur les travaux de Dennis Klatt au MIT, et le système Bell Labs ; ce dernier fut l'un des premiers systèmes multilingues indépendants de la langue, utilisant largement des techniques de traitement du langage naturel.
Approches modernes et applications
Avec l'essor de l'apprentissage automatique et de l'apprentissage profond, la synthèse vocale s'est orientée vers des méthodes neuronales. Les réseaux de neurones peuvent modéliser directement la cartographie complexe du texte à la parole, produisant souvent une sortie plus naturelle que les systèmes antérieurs concaténatifs ou basés sur les formants. Ces systèmes modernes exploitent souvent des architectures transformeur, qui sont également fondamentales pour les grands modèles de langage, afin de capturer les dépendances à longue portée dans la langue et la prosodie.
Les moteurs de synthèse vocale contemporains sont largement déployés dans les appareils grand public, les systèmes de navigation et les assistants virtuels. Des entreprises comme Apple, Samsung et Google DeepMind ont intégré une synthèse avancée dans leurs produits. La technologie soutient également les fonctionnalités d'accessibilité dans les systèmes d'exploitation, permettant des lecteurs d'écran pour les utilisateurs malvoyants. Depuis les années 2020, la recherche continue de se concentrer sur l'amélioration de l'expressivité émotionnelle, le clonage vocal et la synthèse en temps réel pour les applications interactives.
Évaluation et défis
L'évaluation des synthétiseurs vocaux implique à la fois des tests d'écoute subjectifs et des métriques objectives. Les tests subjectifs mesurent le naturel et l'intelligibilité, souvent en utilisant des scores d'opinion moyens. Les mesures objectives peuvent comparer des caractéristiques acoustiques ou utiliser la reconnaissance vocale automatique pour évaluer la clarté. Des défis subsistent dans la gestion de diverses langues, dialectes et styles de parole, ainsi que dans la réduction du coût de calcul pour le déploiement sur appareil. Des considérations éthiques surgissent également avec le potentiel d'usurpation vocale et d'utilisation abusive des voix clonées, suscitant des discussions continues dans la communauté de l'IA générative.