Pourquoi la narration IA sonne enfin humaine (et où elle dérape encore)

Si votre souvenir de la synthèse vocale, c’est une voix plate qui écorchait tout, ce souvenir est dépassé. La narration de synthèse s’est améliorée vite, et elle est désormais assez agréable pour qu’on l’écoute des heures. Comprendre ce qui a changé est utile : en partie parce que c’est intéressant, en partie parce que cela vous montre comment en tirer le meilleur et où rester lucide sur ses limites.

L’ancienne méthode, et ce qui sonnait si faux

Pendant des décennies, la synthèse vocale fonctionnait selon l’une de deux logiques mécaniques.

La plus ancienne construisait la parole à partir de règles sur la formation des voyelles et des consonnes. D’où cette voix artificielle et grésillante, reconnaissable entre toutes. La génération suivante, la synthèse par concaténation, enregistrait une vraie personne prononçant des milliers de petits fragments sonores et les recollait à la volée. Cela sonnait plus humain mot par mot, mais les jointures s’entendaient, et le système n’avait aucun sens réel de la phrase. Il pouvait dire les mots. Il ne pouvait pas les interpréter.

Ce qui manquait à tout cela, c’est la prosodie : la mélodie de la parole. La montée à la fin d’une question, l’accent qui tombe sur le bon mot, la petite pause avant un tournant. La prosodie est l’essentiel de ce qui rend une voix vivante, et les systèmes à base de règles ou de fragments n’en avaient presque aucune.

Ce qui a changé : des modèles qui apprennent le flux naturel

La narration moderne est produite par des réseaux de neurones entraînés sur de grandes quantités de vraie parole humaine. Plutôt que de recoller des fragments, le modèle apprend les tournures d’une élocution naturelle et produit le son d’un seul tenant. Il apprend la prosodie par l’exemple plutôt que par des règles, et du coup il place la montée sur la question et l’accent sur le bon mot bien plus souvent qu’avant.

Deux facteurs poussent la qualité encore plus loin. Les modèles plus grands, entraînés sur une parole plus abondante et plus variée, saisissent davantage de subtilité. Et le rendu à l’avance, plutôt qu’en temps réel, laisse au système la marge d’anticiper sur toute une phrase et tout un paragraphe, pour façonner le rythme et l’accentuation en sachant ce qui vient. C’est cette anticipation qui explique en grande partie pourquoi le son studio dans le cloud sonne posé et fluide là où une voix d’appareil en temps réel se contente d’être correcte.

Là où la synthèse dérape encore

Ce n’est pas un problème résolu, et prétendre le contraire n’aide personne. Quelques points mettent encore en défaut même les bons systèmes :

Les noms inhabituels et les mots inventés. Les noms de fantasy, les patronymes rares et les emprunts étrangers sont des paris, parfois perdus.
Les homographes. Des mots écrits pareil mais prononcés différemment. « Les poules du couvent couvent », « il est à l’est ». Le modèle doit lire le sens pour choisir, et se trompe parfois.
L’ironie et le sous-entendu. Une réplique sarcastique est lue au premier degré, parce que les mots ne portent pas le ton. Un narrateur humain le fournit par sa compréhension du texte.
L’insistance à très longue portée. Un rappel qui tombe trois paragraphes plus loin, où le poids d’un mot dépend de quelque chose dit bien plus tôt, est difficile à rendre.

Voilà les limites du moment. Elles se resserrent, mais elles sont réelles, et elles expliquent pourquoi un grand narrateur humain garde l’avantage sur un livre qui vit de l’interprétation.

Comment obtenir la lecture la plus naturelle

Quelques gestes concrets aident :

Choisissez le moteur plus riche pour les livres qui le méritent. Sur un téléphone, les voix de l’appareil sont gratuites et instantanées, mais un peu plates. Le son studio dans le cloud, produit sur des modèles bien plus grands, sonne nettement plus humain. Dans BookNPC, c’est l’option studio ; le compromis entre les deux est traité dans narration sur l’appareil ou dans le cloud.
Sur iOS, installez les voix système premium. Même l’expérience gratuite s’améliore beaucoup avec elles. Il y a un court guide.
Partez d’une copie propre du livre. La lecture de synthèse ne sonne qu’aussi bien que le texte qu’on lui donne. Un EPUB bien structuré se lit sans accroc. Un export bâclé fait trébucher n’importe quelle voix.

Le bilan honnête

La narration IA a franchi la ligne entre « supportable pour l’accessibilité » et « agréable pour le plaisir de lire ». Pour la plupart des livres, la plupart du temps, elle sonne désormais naturelle. Elle n’égale pas encore les meilleurs interprètes humains sur les livres où l’interprétation est tout, et elle bute encore sur un nom ou un jeu de mots de temps en temps. Les deux choses sont vraies à la fois.

Ce qu’il faut en retenir, c’est ce que la technologie ouvre : une lecture au son naturel de n’importe quel livre que vous possédez, pas seulement des rares qui ont eu droit à un enregistrement commercial. BookNPC se sert du rendu cloud pour ses voix studio et des voix de votre appareil pour la version gratuite, pour que vous entendiez où en est la technologie sur un livre de votre choix.