Synthese vocale neuronale

Définition

La synthese vocale neuronale, ou neural text-to-speech, est une methode de conversion de texte en parole s'appuyant sur des reseaux de neurones profonds plutot que sur les techniques statistiques ou concatenatives anterieures. L'architecture typique combine un module de prediction acoustique, qui transforme le texte en une representation spectrale intermediaire comme un spectrogramme mel, et un vocodeur neuronal, tel que WaveNet ou HiFi-GAN, qui reconvertit cette representation en signal audio brut de haute fidelite. Cette approche a permis un saut qualitatif majeur au debut des annees 2020, produisant une prosodie naturelle, une gestion fine des pauses et de l'intonation contextuelle, la ou les systemes anteriours produisaient une voix mecanique aisement identifiable comme artificielle. Les fournisseurs cloud comme Amazon Polly, Google Cloud Text-to-Speech et Microsoft Azure Speech proposent des catalogues de voix neuronales multilingues facturees a la caractere ou au volume, integrees dans les serveurs vocaux interactifs, les assistants d'entreprise et les outils d'accessibilite. Pour un DSI, l'evaluation d'un fournisseur de synthese vocale neuronale porte sur la latence en temps reel pour les usages conversationnels, la localisation des donnees audio traitees au regard du RGPD, et la disponibilite d'un engagement contractuel de non-reutilisation des voix de marque pour l'entrainement de modeles tiers.