Voix neuronale : c'est quoi, et comment bien la choisir ?
On parle de voix neuronale dès qu'un réseau de neurones fabrique la voix. Voici ce qui les distingue des voix plus anciennes, d'où viennent les 10 voix de Readotte et comment trouver celle qui vous fatigue le moins.
Qu'est-ce qu'une voix neuronale ?
Une voix neuronale est une voix de synthèse générée par un réseau de neurones qui a appris, à partir d'enregistrements, comment une personne parle. Le modèle prédit lui-même la mélodie, le rythme et le timbre de chaque phrase.
Le résultat est plus fluide et moins monotone que les voix d'autrefois, surtout sur les phrases longues. Le fonctionnement étape par étape est décrit dans comment fonctionne la synthèse vocale.
En quoi diffère-t-elle des voix concaténatives et des voix à formants ?
Une voix concaténative recolle de petits morceaux d'enregistrements découpés à l'avance ; une voix à formants calcule le son à partir de règles sur la forme des voyelles et des consonnes. La première sonne humaine mais saccadée aux jointures, la seconde reste intelligible mais nettement robotique.
Une voix neuronale ne recolle ni ne calcule par règles : elle génère le son d'un seul tenant. Elle peut en revanche se tromper de façon plus surprenante, par exemple sur un mot rare ou une intonation.
| Type de voix | Principe | Ce qu'on entend |
|---|---|---|
| À formants | son calculé par règles | très intelligible, robotique |
| Concaténative | morceaux d'enregistrements recollés | timbre humain, jointures audibles |
| Neuronale | son généré par un modèle entraîné | fluide, intonation plus naturelle |
D'où viennent les voix de Readotte ?
Les 10 voix de Readotte viennent de trois modèles ouverts, exécutés sur nos serveurs en Europe. En français : Caro, Michael et Estelle (Pocket TTS, de Kyutai), Léa et Hugo (Supertonic 3, de Supertone).
En anglais : Alba, Peter et Eve (Pocket TTS), Heart avec un accent américain et George avec un accent britannique (Kokoro). Pour l'anglais, voir aussi synthèse vocale en anglais.
Que disent les licences de ces modèles ?
Chaque modèle est publié sous sa propre licence : Pocket TTS sous CC BY 4.0, Supertonic 3 sous OpenRAIL-M, Kokoro sous Apache 2.0. Ces licences fixent ce qu'un service comme Readotte a le droit de faire avec le modèle, par exemple l'exécuter sur ses serveurs, avec certaines conditions comme citer l'auteur ou respecter des restrictions d'usage.
Elles ne disent pas ce que vous, utilisateur, pouvez faire de l'audio obtenu via un service : ce sont les conditions du service qui le décident. La différence est détaillée dans synthèse vocale et droits commerciaux.
Pourquoi certaines voix françaises gardent-elles un accent ?
Certaines voix françaises de Readotte sont dérivées de voix anglophones, et elles peuvent garder une légère intonation québécoise. Le modèle a appris le français, mais une part de la mélodie de la voix d'origine reste.
Ce n'est pas un défaut de lecture : les mots sont prononcés en français. Si cette intonation vous gêne, essayez une autre voix française ; chacune a son propre timbre.
Écoutez votre document
PDF avec du texte sélectionnable, 25 Mo max. Les PDF scannés (images seules) ne sont pas encore lus.
ÉcouterQuestions fréquentes
Readotte a-t-il autant de voix que les grands services ?
Non. Readotte propose 10 voix, en français et en anglais seulement. Des services comme Speechify offrent beaucoup plus de voix et de langues ; si vous avez besoin d'une autre langue, ils seront plus adaptés.
Peut-on cloner sa propre voix dans Readotte ?
Non, Readotte ne propose que ses 10 voix, que vous pouvez régler en hauteur, chaleur, clarté et, pour les voix Pocket TTS, en expressivité.
La voix change-t-elle quand on accélère ?
Non, la hauteur de la voix est conservée quand vous changez la vitesse, de 0,75× à 3×.
Comment choisir la voix qui vous convient ?
Écoutez l'extrait de chaque voix sur la page Voix, puis faites lire quelques minutes d'un vrai texte, celui que vous comptez écouter. Une voix agréable sur une phrase peut fatiguer sur une heure, et l'inverse est vrai aussi.
Vous pouvez ensuite affiner : hauteur de ±4 demi-tons, chaleur et clarté de ±6 dB, et expressivité pour les voix Pocket TTS. Ces réglages s'appliquent à tous vos documents de la même langue.