La synthèse vocale, ou TTS, convertit le texte écrit en audio parlé. Elle constitue le pendant orienté vers la sortie de la reconnaissance vocale dans les systèmes de IA conversationnelle, et est utilisée depuis des décennies dans les outils d'accessibilité, les systèmes téléphoniques et les dispositifs de navigation, avant de devenir une application grand public de l'IA générative dans les années 2020.
Historique
Les premiers systèmes de TTS reposaient sur la synthèse par concaténation, assemblant de petits segments préenregistrés de parole humaine, ou sur la synthèse par formants, qui générait la parole à partir de règles décrivant l'acoustique du conduit vocal ; les deux produisaient une sortie manifestement robotique. Un changement majeur est survenu avec l'application de l'apprentissage profond à la génération audio : WaveNet de DeepMind, publié en 2016, générait des formes d'onde audio brutes échantillon par échantillon à l'aide d'une architecture convolutive et produisait une parole nettement plus naturelle que les méthodes antérieures, bien qu'à un coût de calcul élevé. Les systèmes ultérieurs tels que Tacotron et les modèles basés sur les transformeurs ont accéléré la génération tout en préservant une grande partie du gain de naturalité, et au début des années 2020, la TTS neuronale était devenue l'approche par défaut dans l'ensemble du secteur.
Systèmes modernes
Les modèles de TTS contemporains séparent généralement la tâche en deux étapes : prédire une représentation acoustique intermédiaire à partir du texte, puis convertir cette représentation en forme d'onde à l'aide d'un vocodeur, bien que les systèmes de bout en bout plus récents intègrent de plus en plus cela dans un modèle unique, souvent fondé sur des architectures de modèle de diffusion ou de transformeur autorégressif. Des entreprises comme ElevenLabs ont popularisé une TTS très expressive et à faible latence, destinée aux créateurs de contenu, à la narration de livres audio et au doublage, offrant un contrôle sur l'émotion, le rythme et l'accent. La TTS est également un composant essentiel des assistants vocaux, des outils de traduction en temps réel et des logiciels d'accessibilité pour les personnes malvoyantes, et elle sous-tend les fonctionnalités audio générées par l'IA telles que les résumés de type podcast de NotebookLM.
Clonage vocal et qualité
L'avancée récente la plus marquante est le clonage vocal en quelques exemples, où un modèle reproduit la voix d'une personne spécifique à partir d'un court enregistrement de référence plutôt qu'une voix synthétique générique. À mesure que les voix synthétiques se sont rapprochées de l'indistinguabilité de la voix humaine, l'évaluation est passée de simples tests d'intelligibilité à des scores de naturalité perceptuelle et, de plus en plus, à la capacité de détecter qu'un audio est synthétique, une préoccupation partagée avec la littérature plus large sur les deepfakes.
Applications et préoccupations
La TTS est utilisée dans les livres audio, les systèmes téléphoniques de service client, la narration vidéo, les jeux vidéo et les technologies d'assistance, et elle est devenue un élément constitutif des systèmes de IA multimodale capables à la fois d'écouter et de parler. Son amélioration rapide a également suscité des inquiétudes concernant la fraude vocale, l'usurpation d'identité dans la désinformation politique et le remplacement du travail de doublage, ce qui a conduit certaines entreprises à adopter le tatouage IA ou l'étiquetage de provenance pour l'audio synthétique, et certaines juridictions à réglementer l'utilisation de la voix d'une personne sans son consentement.