Synthèse vocale (TTS)

Les modèles de synthèse vocale transforment du texte écrit en audio parlé, et beaucoup peuvent copier une voix à partir d'un court échantillon.

  • Modèles et architecture
  • Mis à jour le

Un modèle TTS prend du texte, parfois un court enregistrement de référence, et produit de l'audio. Les modèles ouverts couvrent aujourd'hui des dizaines voire des centaines de langues, peuvent diffuser l'audio pendant qu'il est encore généré, et certains conçoivent une nouvelle voix à partir d'une description écrite. La latence en flux, le temps d'arrivée du premier audio, compte pour les assistants vocaux.

Vérifiez la licence des poids, et pas seulement celle du code : plusieurs des modèles TTS ouverts les plus connus sont réservés à un usage non commercial, et certains projets limitent l'usage à la recherche. Les voix réalistes peuvent être détournées, aussi certains modèles ajoutent-ils à leur sortie un filigrane inaudible.

Termes associés

  • Clonage de voix Le clonage de voix fait parler un modèle de synthèse vocale avec la voix d'une personne précise, souvent à partir de quelques secondes d'enregistrement seulement.
  • Reconnaissance vocale (ASR, voix vers texte) La reconnaissance vocale, aussi appelée ASR ou transcription voix-texte, transforme la parole en texte écrit.
  • Licence non commerciale Une licence non commerciale vous permet d'utiliser un modèle pour la recherche, l'étude et les projets personnels, mais pas pour en tirer de l'argent.

Tous les termes