Pourquoi une voix de synthèse française sonne parfois anglaise
Les modèles multilingues sont surtout entraînés en anglais, et cela s'entend sur trois sons précis du français. Trois mots où le défaut se révèle, et ce que change un modèle réglé pour le français.
Vous avez sans doute déjà entendu une voix de synthèse annoncée comme française qui, sur certains mots, prend un léger accent d'ailleurs. Rien de caricatural, juste une couleur qui trahit qu'elle n'a pas appris le français d'abord. Ce n'est pas un hasard, ni un défaut de fabrication isolé : c'est la trace de la façon dont beaucoup de modèles vocaux sont construits aujourd'hui. Comprendre d'où vient cette couleur aide à choisir un outil, et à ne pas confondre une voix qui parle trente langues avec une voix qui en lit vraiment une.
Un espace de sons dominé par l'anglais
La plupart des voix neuronales récentes sont multilingues : un même modèle est censé lire l'anglais, l'espagnol, l'allemand, le français et bien d'autres. Pour tenir dans un seul système, ces modèles apprennent une sorte d'inventaire commun de sons, partagé entre les langues. Le problème est simple : les données d'entraînement sont massivement en anglais. L'anglais domine le web, les corpus audio, les jeux de voix disponibles. Le modèle construit donc son inventaire de sons autour de ce qu'il a le plus entendu, et quand il rencontre un son qui n'existe pas en anglais, il ne l'invente pas : il l'approxime par le voisin anglais le plus proche. C'est là que l'accent apparaît, non pas sur la phrase entière, mais sur les quelques sons proprement français que l'anglais ne connaît pas.
Trois mots où le défaut s'entend
Prenez le mot « rue ». La voyelle du milieu, le « u » français, n'existe pas en anglais. Un modèle calé sur l'anglais tend à le rendre par un « ou » (on entend quelque chose comme « rou ») ou par un « iou ». C'est le test le plus rapide : faites dire « rue », « sur », « tu » à un outil, et écoutez si le « u » est net ou s'il glisse vers un « ou ». Ce seul son sépare déjà les voix qui ont appris le français de celles qui le devinent.
Prenez ensuite « pain ». La voyelle nasale, ce « ain » qui résonne dans le nez sans consonne au bout, n'a pas d'équivalent anglais. Un modèle anglophone a tendance à la dénasaliser, ou à ajouter un « n » qu'on ne devrait pas entendre : « pain » devient « pè-n », avec une petite consonne parasite. Les nasales (« un », « bon », « temps », « pain ») sont un marqueur très fiable, parce qu'elles sont partout dans le français courant et nulle part en anglais.
Prenez enfin « Paris ». Deux pièges d'un coup. Le « r » français se prononce à l'arrière de la gorge, là où le « r » anglais se prononce autrement ; une voix qui garde le « r » anglais sonne immédiatement importée. Et surtout, le français ne prononce pas la plupart des consonnes finales : le « s » de « Paris » est muet, celui de « tabac » aussi, le « t » de « vingt » également. Un modèle réglé sur l'anglais, où les consonnes finales se prononcent presque toujours, a le réflexe inverse et fait sonner ce « s » de trop. Ces trois mots, « rue », « pain », « Paris », suffisent à révéler en dix secondes si une voix a le français dans l'oreille ou seulement dans l'étiquette.
Ce que change un modèle réglé pour le français
Un modèle qui a vraiment appris le français fait trois choses de plus. Il dispose du bon son pour le « u » et pour les nasales, parce qu'il les a assez entendus pour ne pas les rabattre sur un voisin anglais. Il applique les règles de lecture propres au français, à commencer par les consonnes finales muettes et les liaisons, qui ne se déduisent pas de l'orthographe mais d'une connaissance de la langue. Et il place l'accentuation au bon endroit : le français accentue en fin de groupe, l'anglais sur une syllabe interne, et une voix qui garde le rythme anglais paraît étrangère même quand chaque son est correct. C'est exactement ce travail de préparation que décrit la page text to speech français : lire une langue, ce n'est pas enchaîner des sons, c'est appliquer ses règles.
Faut-il pour autant condamner toutes les voix multilingues ? Non, et ce serait malhonnête : certaines sont désormais très bonnes en français, et le progrès est réel. Le point n'est pas la technologie, c'est le parti pris. Une voix conçue pour vendre trente langues optimise une moyenne ; une voix conçue pour bien lire le français optimise le français, y compris ses cas rares. Notre choix est le second, et c'est aussi la raison pour laquelle on ne reconnaît plus les voix de synthèse quand elles sont réglées pour une langue plutôt qu'étalées sur toutes.
Si vous voulez trancher par vous-même, ne vous fiez pas à une démonstration soignée. Faites lire à l'outil vos propres mots difficiles : les nasales, les « u », les noms propres, et surtout les liaisons, qui restent l'épreuve la plus dure. C'est la méthode que défend comment évaluer une voix neuronale : ce qui compte se joue sur les trois sons que l'anglais ne sait pas faire, pas sur la première phrase, qui est toujours belle.
Sonorisez vos articles avec WeDispatch
Ce blog sera lui-même sonorisé par WeDispatch. Envie de voir ce que ça donne sur vos contenus ?
Demandez une démo