Text-to-speech
Le text-to-speech (TTS, synthèse vocale) est un logiciel qui transforme un texte écrit en audio parlé. La TTS moderne utilise des réseaux de neurones qui prédisent le son de la parole à partir du texte, puis le restituent sous forme d'onde sonore.
Aussi appelé : TTS, speech synthesis, AI voice generator
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
La TTS est la voix des lecteurs d'écran, des applications de navigation, des livres audio et des agents vocaux. Les anciens systèmes assemblaient des fragments de parole enregistrés. La TTS neuronale apprend plutôt, à partir d'heures de voix enregistrée, comment un texte doit sonner.
Comment ça marche
Tacotron 2 de Google illustre la conception classique en deux étapes. Un réseau associe les caractères à un mel-spectrogramme, une image de l'évolution de l'énergie sonore dans le temps. Un second réseau, le vocodeur, transforme cette image en audio. Beaucoup de modèles plus récents se passent du spectrogramme et prédisent directement des tokens audio, comme un modèle de langage prédit des mots.
Choisir un modèle de TTS
Ce qui compte pour les développeurs, c'est le naturel, la latence jusqu'au premier son, la couverture linguistique, le contrôle du débit et des émotions, et le prix par caractère. Des services hébergés comme ElevenLabs sont en concurrence avec de petits modèles ouverts comme Kokoro 82M, qui tournent sur un ordinateur portable.
Termes associés
La TTS est l'inverse du speech-to-text. Faire sonner la TTS comme une personne précise relève du clonage vocal. Un modèle speech-to-speech peut supprimer complètement l'étape texte dans une conversation en direct.
Limites
La TTS peut mal prononcer les noms, les nombres et les abréviations, et le ton peut dériver sur de longs passages. Une sortie qui sonne humaine peut être détournée pour usurper l'identité de personnes.
Termes liés
- Speech-to-text
- Le speech-to-text (transcription de la parole), aussi appelé reconnaissance automatique de la parole (ASR), est un logiciel qui convertit l'audio parlé en texte écrit. Il alimente la transcription, les sous-titres, les commandes vocales et la partie écoute des agents vocaux.
- Clonage vocal
- Le clonage vocal (voice cloning) consiste à utiliser l'IA pour faire parler un système de text-to-speech avec la voix d'une personne précise, apprise à partir d'un enregistrement de cette personne. Certains systèmes n'ont besoin que d'un court échantillon.
- Modèle speech-to-speech
- Un modèle speech-to-speech (parole à parole) reçoit de l'audio parlé et produit directement de l'audio parlé, sans convertir d'abord la parole en texte puis l'inverse. Il sert à la conversation vocale en direct et à la traduction.
- Agent vocal
- Un agent vocal (voice agent) est un agent d'IA qui tient une conversation orale en temps réel : il écoute une personne, décide quoi dire ou faire et répond avec une voix de synthèse, souvent sur une ligne téléphonique ou dans une application.
- Text-to-music
- Le text-to-music (texte vers musique) consiste à générer de l'audio musical à partir d'une description écrite, comme le genre, l'ambiance, les instruments et le tempo. Certains systèmes écrivent et chantent aussi des paroles.