Synthèse vocale : les silences qui font respirer un long article
Dans une phrase, la ponctuation donne le rythme. Entre les paragraphes d'un long texte, ce qui fait respirer la lecture ne se force pas à coups de pauses artificielles : ça se mesure, et parfois ça se laisse tranquille.
On confond souvent deux questions qui n'ont pas la même réponse. La première : à l'intérieur d'une phrase, où la voix marque-t-elle ses arrêts ? La virgule, le point, le point-virgule, le deux-points ne valent pas la même durée, et un texte mal ponctué s'entend tout de suite. Cette question-là, nous l'avons traitée à part, dans ponctuation et respiration. La seconde est plus discrète et décide pourtant si un lecteur tient vingt minutes : entre deux paragraphes, entre deux parties, qu'est-ce qui sépare les idées à l'oreille ? C'est le sujet ici.
Pourquoi le silence entre les blocs compte plus qu'on ne croit
À l'écrit, le passage d'un paragraphe à l'autre est gratuit. L'œil voit le blanc, saute la ligne, repart. À l'oreille, ce blanc n'existe pas tout seul : si rien ne le marque, deux idées distinctes se collent, et l'auditeur reçoit un flot continu où il ne sait plus quand une partie se termine et quand la suivante commence. C'est la première cause de décrochage sur un format long, avant même la monotonie de la voix. Le lecteur ne se dit pas « cette voix est fatigante », il se dit « je ne suis plus où j'en suis », et il s'arrête.
La tentation, quand on découvre ça, est de forcer : glisser partout des pauses, allonger les silences, mettre des arrêts bien nets entre les sections pour être sûr qu'on les entende. C'est exactement ce qu'il ne faut pas faire, et nous pouvons dire pourquoi avec un chiffre plutôt qu'une intuition.
Ce que nous avons mesuré, et ce que ça nous a appris
Un parti pris ne vaut que s'il repose sur une mesure. Nous avons donc sondé le comportement réel de notre moteur sur un simple deux-points, le signe qui articule le plus clairement deux moitiés d'une phrase. Le résultat a changé entre deux versions de voix, et c'est là tout l'enseignement.
Sur une version plus ancienne, le moteur n'observait aucun arrêt au deux-points : le silence mesuré était de zéro seconde, la voix enchaînait, l'annonce se bousculait. Sur la version que nous servons aujourd'hui, le même moteur s'arrête d'environ une demi-seconde (0,5 s) de lui-même, sans qu'on lui demande rien. La respiration que nous voulions ajouter, il la produit déjà.
Et quand on essaie malgré tout de forcer une pause, par une balise technique de 300 millisecondes, le résultat est contre-intuitif : le moteur n'ajoute que six millisecondes de silence réel, mais il décale toute la phrase qui précède d'environ six dixièmes de seconde. Autrement dit, la balise ne crée pas un silence, elle re-cadence toute la lecture en amont. Personne ne l'aurait remarqué autrement qu'en écoutant, horodatage par horodatage. Forcer une pause, sur un moteur qui respire déjà, c'est abîmer le rythme qu'on croyait régler.
Notre règle : mesurer, puis s'abstenir quand le moteur suffit
De là une règle simple, et un peu austère : nous ne posons une pause que là où une sonde a mesuré qu'elle manquait, et seulement de la durée mesurée. Un moteur que nous n'avons pas écouté ne reçoit aucune pause forcée, parce que parier sur un silence non mesuré, c'est risquer qu'il s'allonge en travers d'une phrase, ou pire, qu'il finisse lu à voix haute si le moteur cessait un jour de l'interpréter. Le moteur actuel, qui s'arrête déjà de lui-même, ne reçoit donc rien. Sa prosodie naturelle fait le travail mieux qu'une consigne posée au jugé.
Deux garde-fous encadrent ce choix, et ils sont vérifiables dans le code. D'abord, une pause ne s'applique jamais à un deux-points collé à ce qui suit : une adresse web (https://), une heure (14:30), un rapport (1:2) gardent leur deux-points intact, pour ne pas poser un silence au milieu d'un mot. Ensuite, si l'on retire toutes les balises éventuelles du texte préparé, on retrouve le texte d'origine au caractère près. Une pause ne peut donc pas déformer ce qui sera prononcé : elle s'ajoute, elle ne réécrit rien. C'est la même promesse que sur la page pilier text to speech français : ce qui est affiché comme « ce qui sera lu » est exactement ce qui sera lu.
Ce qui vous revient, à vous qui écrivez
Puisque nous ne forçons pas la respiration, elle vient surtout de votre texte. Trois gestes la servent, et aucun n'est technique.
Des paragraphes courts, d'abord : un bloc de dix lignes à l'écrit devient un tunnel à l'oreille. Coupez là où vous changez d'idée, et le moteur marquera la bascule. De vrais intertitres, ensuite : une partie annoncée par un titre s'entend comme une partie, parce que la structure de la page se retrouve dans la lecture. Enfin, une phrase par idée dans les passages denses : les incises empilées, les subordonnées à tiroirs, tout ce qui se lit en revenant en arrière du regard, s'écoute mal, parce qu'à l'oreille on ne revient pas en arrière.
Au-delà d'une certaine longueur, aucun réglage de silence ne remplace le découpage : un format très long gagne à être servi en épisodes ou en chapitres plutôt qu'en un seul fichier. Nous détaillons ce seuil et ce qu'il change dans écouter un long texte sans décrocher. La respiration d'un article, au fond, se décide plus à l'écriture qu'au réglage : le moteur sait se taire au bon endroit, encore faut-il que le texte lui dise où sont les bons endroits.
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