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.
Aussi appelé : voice clone, voice replication, custom voice
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Une voix clonée permet à un modèle de text-to-speech de lire n'importe quel texte de façon à ressembler à la personne de l'échantillon. Les usages incluent le doublage, les livres audio lus par leur auteur, la restauration de la voix d'une personne qui a perdu la capacité de parler, et les agents vocaux aux couleurs d'une marque.
Comment ça marche
Des chercheurs de Baidu ont décrit les deux approches principales en 2018. La speaker adaptation ajuste un modèle multi-locuteurs sur quelques extraits de la nouvelle voix. Le speaker encoding entraîne un réseau distinct qui transforme un extrait en embedding de locuteur, une description compacte de la voix, que le modèle de parole suit ensuite. L'encodage ne demande aucun entraînement supplémentaire par voix, il est donc plus rapide et moins coûteux. Les modèles de TTS zero-shot modernes prolongent l'idée de l'encodage. Des services hébergés comme ElevenLabs et des modèles ouverts comme Chatterbox proposent le clonage.
Consentement et détournements
Un clone convaincant peut servir à la fraude, comme un faux appel d'un proche ou d'un dirigeant, ou à faire dire des choses à une personnalité publique. L'audio cloné combiné à de la vidéo est une forme courante de deepfake. Beaucoup de fournisseurs demandent aux utilisateurs de confirmer qu'ils ont l'autorisation du locuteur, et certains ajoutent des filigranes audio. Les lois sur l'usage de la voix d'autrui varient selon les pays : vérifiez les règles qui vous sont applicables.
Limites
Les clones obtenus à partir d'échantillons courts peuvent rater l'accent, les émotions et la respiration, et la qualité baisse avec un audio source bruité.
Termes liés
- 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.
- Deepfake
- Un deepfake (hypertrucage) est un contenu image, audio ou vidéo créé ou modifié par IA de façon à montrer de manière convaincante une personne, un lieu ou un événement réels dans une situation qui n'a pas eu lieu, et qui pourrait passer pour authentique.
- Tatouage numérique de l'IA
- Le tatouage numérique de l'IA (AI watermarking) consiste à intégrer un signal caché, détectable par une machine, dans du texte, des images, de l'audio ou de la vidéo au moment où un modèle d'IA les génère, afin qu'un logiciel puisse ensuite identifier le contenu comme généré par IA.
- 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.