Technologie de conversion de texte en parole (Text-to-Speech)

Qu'est-ce que la conversion de texte en parole ?

La synthèse vocale (ou TTS, pour *Text-to-Speech*) est une technologie qui transforme le texte affiché sur une interface numérique en une voix audible à la sonorité naturelle. On la désigne également sous les termes de « lecture à voix haute », de parole générée par ordinateur ou de synthèse de la parole. La plupart des entreprises proposent cette technologie sous forme d'interface de programmation d'application (API).

À l'origine, les systèmes de synthèse vocale (text-to-speech) ont été développés comme une technologie d'assistance visant à rendre certains services plus accessibles aux utilisateurs souffrant de déficiences visuelles ou de troubles de l'apprentissage, tels que la dyslexie. Aujourd'hui, toutefois, les générateurs de voix basés sur l'intelligence artificielle permettent à ces logiciels de mieux imiter la parole humaine, ouvrant ainsi la voie à une multitude de nouveaux cas d'usage, tels que la réponse aux appels du service client, la création de podcasts générés par IA, les voix off et la narration de livres audio.

Évolution de la technologie de synthèse vocale

Les premiers synthétiseurs de parole électriques sont apparus vers les années 1930. Ces premiers appareils étaient limités et complexes à utiliser.

Avec l'avènement des ordinateurs, les programmeurs ont commencé, à la fin des années 1950, à travailler sur des algorithmes capables d'accéder à une vaste base de données de fichiers audio pour servir de source sonore. Ces algorithmes identifiaient des correspondances sonores pour les unités textuelles et assemblaient les éléments de la parole. Au début, la voix produite avait un caractère mécanique (robotique). Toutefois, à mesure que la modélisation et la caractérisation du langage s'affinaient, les algorithmes de synthèse vocale (conversion de texte en parole) ont gagné en qualité.

Avec l'émergence des techniques d'apprentissage profond et des réseaux de neurones dans les années 2000, les programmeurs ont commencé à modéliser directement les ondes sonores à partir d'enregistrements vocaux, ce qui a permis d'obtenir des voix de haute qualité et plus réalistes. Parallèlement, des informaticiens travaillaient à l'amélioration des logiciels de reconnaissance vocale et de traitement du langage naturel. Le développement de l'intelligence artificielle conversationnelle a reposé sur la combinaison des technologies de conversion de la parole en texte et de conversion du texte en parole.

Bien que l'intelligence artificielle et l'apprentissage automatique aient facilité la génération de parole naturelle, ils ont également ouvert de nouveaux champs de controverse, tels que les « deepfakes ». Les entreprises technologiques travaillent au développement de systèmes d'analyse vocale en temps réel afin de détecter les deepfakes audio.

Comment fonctionne la technologie de conversion de texte en parole ?

Les techniques d'apprentissage profond permettent aux modèles de synthèse vocale d'analyser davantage de données et de mieux comprendre la relation entre les mots et leurs caractéristiques acoustiques. Tout cela confère à la voix de l'intelligence artificielle un caractère plus naturel. La conversion de texte en parole est un processus comportant plusieurs étapes, incluant l'analyse linguistique et la synthèse vocale.

Les principaux composants de la conversion de texte en parole sont :

1. L'analyse linguistique
2. Synthèse de la parole

L'analyse linguistique

Les réseaux de neurones profonds du modèle sont alimentés par des ensembles de données audio et leurs textes correspondants, en anglais et parfois dans d'autres langues. Ce système permet de comprendre la correspondance entre les mots et la parole, ainsi que les accents, la hauteur tonale, le volume, l'intonation, le rythme, entre autres éléments. Une fois le texte reçu en entrée, le modèle en analyse les mots, la ponctuation et la structure syntaxique. Il est capable de développer les abréviations et les expressions, de calculer la durée des mots, de déterminer la prononciation appropriée et de modéliser l'intonation ainsi que le rythme des expressions et des phrases.

Synthèse de la parole

Après avoir analysé le texte, le modèle utilise un processus en deux étapes pour le convertir en une sortie audio.

1. Étape 1 : Le modèle convertit le texte en caractéristiques temporellement cohérentes, telles que le spectrogramme, utilisé pour déterminer la variation des fréquences au fil du temps. Cela permet de saisir les caractéristiques détaillées de la parole et de prendre en compte la prononciation dépendante du contexte, l'accentuation ainsi que le timing des mots.
2. Étape 2 : Un réseau de codage vocal (vocoder) peut convertir les caractéristiques alignées temporellement en ondes sonores, que les ordinateurs peuvent transformer en une parole naturelle. Certains modèles de synthèse vocale permettent aux utilisateurs de modifier le volume, la hauteur tonale et la vitesse, ainsi que de choisir parmi différentes langues, différents accents et différents styles d'élocution.

De nombreux appareils, tels que les smartphones, intègrent des systèmes de conversion de texte en parole. Cette technologie est également disponible sous forme de logiciel, d'extension de navigateur, d'outil en ligne ou d'applications téléchargeables.

Utilisations de la conversion de texte en parole

La technologie de synthèse vocale a été initialement développée pour améliorer l'accessibilité auprès d'un large éventail d'utilisateurs et pour permettre aux personnes atteintes de déficiences visuelles ou de troubles de la lecture d'interagir avec des textes via des ordinateurs et d'autres appareils. À titre d'exemple, Stephen Hawking utilisait une version de cette technologie.

Depuis lors, la technologie a évolué pour couvrir un éventail plus large de cas d'utilisation, notamment ceux où la lecture est peu pratique ou lorsqu'il est possible de faire gagner du temps à l'opérateur humain. Voici quelques-unes des principales applications de cette technologie :

1. Contenu audio
2. L'éducation
3. Chatbots et assistants virtuels
4. La navigation
5. Communication multilingue et apprentissage des langues
6. Médias et divertissement
7. Soins de santé

Contenu audio

Les logiciels de synthèse vocale peuvent lire à voix haute des textes numériques, des livres, des leçons, des guides et des instructions pour faciliter l'apprentissage en ligne et la formation à distance ; les organismes de presse peuvent également utiliser cette technologie pour convertir leurs articles en format audio.

L'éducation

Les fonctionnalités de synthèse vocale peuvent aider les élèves à rester attentifs et à lire en suivant le texte écrit, leur permettant ainsi d'associer les mots à leur prononciation. Elles peuvent également améliorer la compréhension de lecture et l'engagement lorsque les élèves découvrent de nouvelles structures grammaticales ou du vocabulaire inédit. De plus, cette technologie peut soutenir les élèves souffrant de troubles visuels ou de troubles de l'apprentissage, tels que la dyslexie. Elle permet également de lire à voix haute les travaux écrits des élèves, les aidant ainsi à relire et à corriger leurs devoirs et dissertations.

Chatbots et assistants virtuels

Les assistants virtuels, tels que Siri d'Apple ou Cortana de Microsoft, associent la technologie de synthèse vocale (text-to-speech) à celle de reconnaissance vocale (speech-to-text) pour comprendre les demandes des utilisateurs et interagir avec eux de manière naturelle et conversationnelle. Ils peuvent également énoncer des notifications et lire des textes, par exemple lorsque les utilisateurs sont au volant. En milieu professionnel, les systèmes de synthèse vocale peuvent améliorer l'expérience utilisateur en rendant le service client plus interactif et naturel.

La navigation

Les capacités de synthèse vocale (text-to-speech) permettent aux systèmes GPS et aux autres applications de cartographie de transmettre des indications aux conducteurs en temps réel. Avant cette technologie, les appareils de navigation s'appuyaient sur des voix préenregistrées et des instructions standardisées telles que « tournez à gauche » ou « tournez à droite ». Grâce à la synthèse vocale, les instructions de conduite sont devenues plus personnalisées ; par exemple, le système GPS peut désormais énoncer le nom précis de la rue où il faut tourner à gauche.

Communication multilingue et apprentissage des langues

La technologie de synthèse vocale peut aider les utilisateurs à communiquer dans différentes langues, par exemple via une application comme « Google Traduction ». Ce type de fonctionnalité permet de traduire la voix d'une langue à une autre, ce qui peut servir au doublage de contenus vidéo. Elle peut également familiariser les apprenants en langues avec une élocution naturelle, les aidant ainsi à comprendre la prononciation de différents mots.

Médias et divertissement

Grâce aux progrès de la technologie de synthèse vocale (text-to-speech), il est possible de réduire les coûts de production médiatique. Cette technologie peut, par exemple, générer des commentaires et des narrations pour les jeux vidéo, ainsi que les voix des personnages. Certains studios collaborent avec des comédiens de doublage humains pour contribuer à améliorer la qualité des voix générées par l'intelligence artificielle.

Soins de santé

Les établissements de santé utilisent la technologie de synthèse vocale pour communiquer avec les patients de manière accessible. Cela inclut l'ajout de versions audio aux contenus et aux publications diffusés sur leurs sites web ou sur les réseaux sociaux. Les interfaces vocales basées sur l'intelligence artificielle générative peuvent également aider à rappeler aux patients leurs prochains rendez-vous par téléphone, ou à les informer de nouvelles ou de mises à jour concernant leur dossier médical. Cette approche peut s'avérer particulièrement importante pour les patients souffrant de déficiences visuelles, de troubles de la parole, de limitations de mobilité ou de difficultés d'apprentissage.

Maintenant que vous êtes devenu un expert des fondamentaux de cet univers passionnant, il est temps de passer à la pratique.

Êtes-vous prêt à transformer vos mots en une voix qui captive les cœurs et les esprits ?

Commencez votre aventure dans l'univers du contenu audio dès aujourd'hui.

Essayez gratuitement la plateforme « Makina » et transformez vos 1000 premiers caractères en une voix off professionnelle en moins de 5 minutes !

Commencez votre essai gratuit dès maintenant

Source : IBM.COM