Ce que la voix dit, ce que le lecteur voit : pourquoi la transcription garde l'écriture de l'auteur
Une voix de synthèse lit « mille soixante-six » là où l'article écrit « 1066 ». Les sous-titres et la lecture suivie, eux, doivent montrer l'article. Comment on sépare les deux textes, où ça a cassé en septembre, et ce qui se passe quand le recollage échoue.
Un outil de synthèse vocale qui lit bien le français ne lit jamais tout à fait ce qui est écrit. « 1066 » devient « mille soixante-six », « SNCF » devient une suite de quatre lettres épelées, « 23-11 » devient « vingt-trois à onze », et un nom étranger corrigé dans le lexique devient une graphie phonétique que personne n'a envie de voir imprimée. C'est le travail normal d'une préparation du texte : l'oral a ses formes, l'écrit les siennes, et on a déjà détaillé ce que ça demande sur les nombres ou les sigles.
La question que presque personne ne pose vient juste après : ce texte réécrit pour l'oreille, où finit-il ? Car un audio d'article ne se limite pas au son. Il y a la transcription sous le lecteur, le texte surligné mot à mot pendant l'écoute, les sous-titres SRT et VTT. Tout cela s'appuie sur les horodatages que le moteur rend avec l'audio, et ces horodatages portent sur les mots qu'il a prononcés, pas sur ceux que le journaliste a écrits.
Le défaut qu'on ne voit pas en écoutant
Jusqu'au 5 août 2026, chez nous, le texte envoyé au moteur et le texte affiché au lecteur étaient le même. Rien ne s'entendait : le son était juste. Mais la lecture suivie montrait « Gueukeurech » là où l'article écrivait « Gyökeres » (une entrée de lexique), « vingt-trois contre onze » là où l'article donnait un score, et « esse enne cé effe » à la place d'un sigle.
Autrement dit, le lecteur ne voyait pas l'article du journaliste : il voyait notre brouillon de prononciation. Une faute d'orthographe apparente, attribuée au journal, pour un mot que la voix disait parfaitement. Ce genre de défaut ne remonte jamais par l'écoute ; il faut lire l'écran en même temps, ce que les équipes ne font pas quand elles vérifient un audio. C'est aussi pour ça qu'on recommande de relire un texte à l'oreille et à l'œil.
Deux textes, une seule chaîne
La correction tient en une idée simple : chaque transformation de la préparation du texte garde ses deux faces. Quand une règle transforme « 1066 » en « mille soixante-six », elle ne remplace pas le chiffre, elle pose une paire de bornes autour du passage, avec d'un côté ce qui se dit et de l'autre ce qui s'affiche. À la fin, le même texte se résout deux fois : une version pour le moteur, une version pour l'écran.
Après la synthèse, une seconde étape recolle les horodatages. Les trois mots prononcés « mille », « soixante », « six » sont fondus en un seul mot affiché, « 1066 », qui prend le début du premier et la fin du dernier. Le surlignage reste calé à la milliseconde, et le texte qui défile est celui de l'auteur. La lecture suivie et les sous-titres en héritent sans traitement supplémentaire.
Deux détails comptent plus qu'ils n'en ont l'air :
- Les bornes laissent le texte en clair. Une première version remplaçait le passage par un jeton opaque, et les règles suivantes devenaient aveugles dessus. Mesuré le 19 septembre, huit cas sur soixante et onze de notre banc de lecture sortaient autrement en production qu'au banc ; « Il fait 30° à l'ombre » donnait « trois0 degrés ». Avec des bornes, les règles suivantes continuent de lire le passage.
- Une transformation qui couperait une borne en deux est refusée. Le texte garde alors sa forme d'origine. Une règle perdue vaut mieux qu'un texte dont les deux faces ne se correspondent plus.
Le jour où ça a cassé, chiffres compris
Le principe était bon ; le recollage, lui, a eu un vrai défaut. Il cherchait chaque passage à quarante mots au plus du précédent, et quand un passage était plus loin, il l'abandonnait sans avancer : tous les suivants tombaient avec lui. Mesuré en production le 28 septembre : 21 audios sur 21 touchés, et dans une longue chronique, 344 passages sur 348 restés dans la graphie de lecture. Le son était juste partout ; c'est l'écran qui montrait « mille soixante-six ».
La correction du même jour donne à chaque passage son rang, compare sur les lettres plutôt que sur les signes, préfère le candidat le plus proche de l'endroit prévu et garde l'élision à l'affichage (« d'Ouessant » reste « d'Ouessant »). Sur un article de presse dense, 200 passages recollés sur 204 avec un moteur parfait, sans aucun faux placement ; sur une chronique dont le moteur perd 5 % des mots, 39 sur 39 au lieu de 2.
Et les audios déjà fabriqués ? Les régénérer aurait coûté des crédits au client pour un défaut d'affichage. On a donc écrit une réparation qui rejoue le recollage sur les mots déjà enregistrés : une nouvelle version avec le même son, recopié, et la transcription rendue à l'écriture de l'auteur. Aucune synthèse, aucun crédit, et la version d'avant reste dans l'historique.
Ce qui se passe quand le recollage échoue
Un moteur ne découpe pas toujours les mots comme nous, et il lui arrive d'en avaler un. Dans ce cas, on ne devine pas : les horodatages restent tels que le moteur les a rendus, le passage s'affiche dans sa graphie de lecture, et rien d'autre n'est décalé. Une lecture suivie un peu moins jolie se remarque moins qu'un surlignage qui court deux mots devant la voix.
Ces abandons ne sont pas silencieux pour nous. Chaque audio note dans sa provenance le nombre de passages non recollés, et une veille sonne au-delà d'un passage sur dix sur vingt-quatre heures, en critique au-delà de quatre sur dix. C'est précisément l'absence de ce contrôle qui avait laissé le défaut de septembre durer au moins une semaine : chaque provenance le disait, rien ne la lisait.
Ce qu'il faut demander à n'importe quel outil
Si vous évaluez un service de synthèse vocale pour un site, la question vaut d'être posée telle quelle, puisqu'elle ne se voit pas dans une démonstration sonore :
- Le texte affiché sous le lecteur et dans les sous-titres est-il celui de l'article, ou celui que la voix a reçu ?
- Une correction de prononciation dans le lexique apparaît-elle à l'écran ?
- Que se passe-t-il quand l'alignement échoue : décalage, ou retour propre à la graphie de lecture ?
Pour le vérifier soi-même, il suffit d'un paragraphe avec un nombre, une date, un sigle et un nom corrigé dans le lexique, et de regarder la transcription pendant l'écoute plutôt que de fermer les yeux. Le reste de notre façon de lire le français, et ce qu'on ne fait pas, est exposé sur la page text to speech français. Et si vous voulez voir avant de payer quelles formes vont être réécrites pour l'oreille, la fiche de lecture les liste une par une.
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