Le text-to-speech (TTS) et la synthèse vocale peuvent sembler être des technologies récentes, mais elles ont en réalité une histoire qui remonte à plusieurs siècles.
Des premières tentatives d’imiter la voix humaine à l’aide de dispositifs mécaniques aux modèles actuels fondés sur l’intelligence artificielle et l’apprentissage profond, l’évolution du TTS est fascinante.
Dans cet article, nous vous proposons de plonger dans l’histoire de la synthèse vocale et du text-to-speech, avant d’explorer les perspectives passionnantes qui s’ouvrent pour l’avenir.
Text-to-speech et synthèse vocale : des origines aux usages modernes
XVIIIe et XIXe siècles
L’histoire de la synthèse vocale et du text-to-speech remonte aux XVIIIe et XIXe siècles. Cette période marque les premières tentatives de synthèse vocale, toutes fondées sur des dispositifs mécaniques. Dans les années 1770, l’inventeur hongrois Wolfgang von Kempelen met au point une machine acoustico-mécanique destinée à reproduire le conduit vocal humain. Cette machine analogique utilise des soufflets, des anches et des tuyaux pour produire des sons vocaliques et consonantiques.
À la fin du XVIIIe siècle, le physicien anglais Charles Wheatstone met au point une version plus mécanisée de la machine de Kempelen, qu’il baptise « machine parlante ». Le dispositif pouvait reproduire divers sons d’instruments de musique. Même si l’appareil de Wheatstone n’était pas explicitement conçu pour la synthèse vocale, il a renforcé l’idée que des machines pouvaient produire des sons.
Au XIXe siècle, d’autres dispositifs voient le jour, notamment la machine à « parole artificielle » de Faber. Ces appareils combinaient des mécanismes mécaniques et pneumatiques pour produire des sons vocaux.
Début du XXe siècle et première synthèse vocale entièrement électrique
Au début du XXe siècle, la synthèse vocale franchit un cap avec l’invention du premier système entièrement électrique : le vocodeur d’Homer Dudley, développé aux laboratoires Bell (Bell Labs), dans le New Jersey.
Le vocodeur de Dudley utilisait une série de résonateurs et de filtres pour générer une voix synthétique. Ce système, appelé Voder, a été présenté lors de l’Exposition universelle de 1939-1940 à Flushing Meadows, à New York. Il se commandait à l’aide d’un clavier et de pédales pour produire la parole.
Du début des années 1950 à la fin des années 1970 : l’essor des synthétiseurs
En 1951, les travaux de Dudley inspirent le développement du « pattern playback » par le Dr Franklin S. Cooper au laboratoire Haskins. Le système analyse un son enregistré, comme un mot ou une phrase, et le décompose en ondes sonores ou « motifs spectrographiques ». Ces motifs sont enregistrés sur bande magnétique, puis utilisés pour produire une version synthétique du son d’origine.
En 1976, la première solution commerciale de text-to-speech connaît le succès avec la Kurzweil Reading Machine. Cette technologie utilise la synthèse concaténative, en combinant des phonèmes et des mots préenregistrés pour créer une voix de synthèse. Conçu à l’origine pour les personnes en situation de handicap, l’appareil devient rapidement un outil de lecture reconnu.
À partir de 1978, Texas Instruments développe une puce de synthèse vocale destinée aux jeux vidéo et à d’autres applications informatiques. Cette puce repose sur la synthèse concaténative, en associant des sons préenregistrés ou des diphones pour générer une voix proche de la voix humaine. Cette technologie sera ensuite reprise dans DECtalk, un système de text-to-speech offrant une synthèse vocale de qualité aux personnes handicapées.
Systèmes modernes de text-to-speech
L’une des grandes avancées récentes est l’utilisation de réseaux de neurones pour produire des voix de synthèse. Google et Microsoft ont développé des systèmes TTS performants qui exploitent l’apprentissage profond pour analyser de vastes corpus de voix humaines et générer une parole naturelle.
Une autre évolution majeure du TTS, notamment comme technologie d’assistance, repose sur la sélection d’unités et la synthèse concaténative. Ces techniques offrent des résultats plus réalistes en combinant de petites unités vocales préenregistrées, comme des diphones ou parfois des mots entiers, pour créer de nouvelles phrases. On retrouve ces méthodes dans des applications populaires comme Speechify, Siri d’Apple ou Alexa d’Amazon, mais aussi dans des outils plus anciens comme IBM ViaVoice.
La reconnaissance vocale a elle aussi beaucoup progressé ces dernières années, permettant le développement de systèmes TTS plus aboutis. En transcrivant la voix humaine en texte, les algorithmes de reconnaissance vocale rendent le passage entre parole et synthèse plus fluide.
Récemment, l’intégration de la prosodie et de l’intonation a permis d’obtenir un rendu encore plus naturel, avec des pauses, des accents et des tons adaptés. La prosodie est notamment essentielle en anglais, où l’accentuation et l’intonation peuvent modifier le sens d’une phrase.
Apprentissage profond et au-delà : l’avenir de la technologie
L’avenir du TTS s’annonce prometteur et riche en innovations. Avec l’essor de l’intelligence artificielle et de l’apprentissage profond, on peut s’attendre à une parole de synthèse toujours plus naturelle, capable de restituer au plus près les subtilités de la voix humaine.
Ces avancées seront particulièrement utiles pour le développement des assistants virtuels et des chatbots. Ces systèmes deviendront plus conversationnels, et les utilisateurs pourront interagir avec eux de façon plus naturelle.
On peut aussi s’attendre à des progrès dans la transcription phonétique, ou conversion texte-phonème. À mesure que les machines gagnent en compréhension et en interprétation de la voix humaine, les outils de reconnaissance vocale deviendront plus précis et plus rapides.
Enfin, la synthèse vocale va se démocratiser et s’intégrer à notre quotidien, avec un nombre croissant d’appareils connectés à l’Internet des objets, pilotables à la voix en temps réel pour plus de praticité et d’efficacité.
Rejoignez la révolution du text-to-speech avec Speechify
Si vous recherchez un service text-to-speech performant, capable de produire une narration naturelle et de grande qualité, découvrez Speechify.
Grâce à sa technologie avancée de synthèse par formants, Speechify crée des voix réalistes et naturelles, à mille lieues des voix robotiques d’autrefois. Même des figures célèbres comme Stephen Hawking, qui s’est lui-même intéressé à la synthèse vocale, seraient impressionnées par les capacités de Speechify.
Utiliser Speechify est simple : rendez-vous sur le site officiel ou téléchargez l’application mobile, puis saisissez votre texte. Choisissez ensuite la voix qui vous convient, réglez la vitesse et la tonalité, et c’est parti ! Speechify génère une narration naturelle idéale pour les modules e-learning, les vidéos explicatives, les podcasts et les présentations. Un large choix de voix IA naturelles pour YouTube ou les réseaux sociaux est également proposé.
Ne vous contentez pas d’une solution TTS au rabais : essayez Speechify dès aujourd’hui et découvrez le futur de la technologie text-to-speech.
FAQ
Qui a développé le premier synthétiseur vocal au monde ?
Homer Dudley a conçu le premier synthétiseur vocal au monde au début des années 1930, aux laboratoires Bell, à New York.
Quel est le but de la synthèse vocale ?
La synthèse vocale a pour objectif de générer une parole artificielle à partir d’un texte en s’appuyant sur le traitement du langage et l’analyse des fréquences fondamentales.
Quels sont les quatre usages du TTS ?
Le TTS peut servir à l’accessibilité, au divertissement, à l’apprentissage des langues et à l’automatisation des services vocaux.
Quels sont les avantages du text-to-speech ?
Le text-to-speech améliore l’accessibilité, facilite l’apprentissage et accroît la productivité en transformant le texte écrit en contenu audio.
Quel a été le moment le plus surprenant dans le développement de la synthèse vocale ?
L’un des moments les plus surprenants a été l’invention, par Charles Wheatstone, d’un synthétiseur de parole mécanique.
