Text to speech ou reconnaissance vocale : deux technologies qu'on confond
La synthèse vocale lit un texte à voix haute ; la reconnaissance vocale transcrit une voix en texte. Ce sont deux chemins inverses, souvent confondus au moment de choisir un outil. Voici ce qui les sépare, et où se situe WeDispatch.
Au moment de chercher un outil pour « mettre de la voix » sur un site, beaucoup tombent sur deux expressions voisines et repartent avec la mauvaise. « Text to speech » et « reconnaissance vocale » se ressemblent assez pour qu'on les prenne l'une pour l'autre, et assez peu pour qu'une erreur de départ fasse perdre des semaines. Elles vont dans des directions opposées. Savoir laquelle répond à votre besoin est la première décision, avant même de comparer des prix ou des voix.
Deux chemins inverses
La synthèse vocale, ou text to speech, part d'un texte et fabrique un son : vous lui donnez un article, elle vous rend un fichier audio que l'on écoute. La reconnaissance vocale, ou speech to text, fait exactement l'inverse : elle part d'un son, une personne qui parle, et vous rend le texte correspondant. C'est ce qui sous-tend la dictée, les sous-titres générés à la volée, ou la transcription d'une réunion.
La confusion vient du fait que les deux manipulent de la voix et du texte. Mais le sens de la flèche change tout. Un outil de synthèse ne sait rien faire d'un enregistrement audio : il ne transcrit pas. Un outil de reconnaissance ne lit rien à voix haute : il ne génère pas de voix. Ce sont deux métiers distincts, avec des modèles différents, des contraintes différentes et, très souvent, des entreprises différentes.
À quoi sert chacune, concrètement
La reconnaissance vocale sert quand la matière première est orale et que vous voulez du texte : transcrire un entretien, sous-titrer une vidéo déjà tournée, dicter un courriel sans clavier, indexer des heures de podcast pour pouvoir y chercher un mot. Le travail porte sur un son qui existe déjà, et la question de qualité est : la machine a-t-elle bien entendu ?
La synthèse vocale sert quand la matière première est écrite et que vous voulez du son : donner une version audio à un article de presse, faire écouter une fiche pratique à quelqu'un qui conduit, rendre un contenu accessible à un lecteur malvoyant ou dyslexique. Le travail porte sur un texte, et la question de qualité est : la machine lit-elle bien ? C'est là que se jouent les liaisons, les nombres, les sigles, les noms propres, tout ce qui fait qu'une phrase française sonne juste ou non. Nous détaillons ce mécanisme dans l'article sur la façon dont la synthèse vocale fonctionne.
Où se situe WeDispatch, et ce qu'on ne fait pas
WeDispatch est un outil de synthèse vocale, et uniquement cela. Vous publiez un article, nous en produisons une version audio que vos lecteurs écoutent sur la page. Nous ne transcrivons pas : si vous nous donnez un enregistrement, un entretien, une vidéo, nous n'en tirons pas de texte. Ce n'est pas une limite que nous comptons lever un jour ; c'est un autre métier, et nous préférons bien lire le français que faire deux choses à moitié. Notre parti pris, et ce qu'il recouvre, est expliqué sur la page text to speech français.
Dire cela d'emblée évite une déception. Nous recevons régulièrement la question « est-ce que vous pouvez transcrire mon podcast ? », et la réponse honnête est non. En revanche, si vous avez des articles écrits et que vous voulez les rendre écoutables, c'est exactement notre travail, et le lecteur audio s'insère sur votre site sans toucher à votre contenu.
Pourquoi la distinction compte pour un responsable de site
Trois raisons pratiques. D'abord le budget : les deux technologies se facturent différemment, et un devis de transcription n'a rien à voir avec un devis de synthèse. Comparer les deux revient à comparer un traducteur et un imprimeur. Ensuite la qualité attendue : pour la reconnaissance, on mesure un taux d'erreur de mots ; pour la synthèse, on écoute si la voix bute sur « les Hauts-de-Seine » ou lit « 1er » comme « un ». Les critères d'évaluation ne se recouvrent pas, et une grille empruntée à l'un ne juge pas l'autre.
Enfin, la question des données diffère. Une reconnaissance vocale traite des enregistrements de personnes, parfois identifiables à leur voix ; une synthèse traite du texte que vous lui envoyez. Les questions à poser à un fournisseur ne sont pas les mêmes, même si, dans les deux cas, il faut savoir où va la matière et combien de temps elle est conservée.
Deux mots sur les cas mixtes
Certains projets ont besoin des deux, dans cet ordre : transcrire une interview orale, puis faire relire la version écrite par une voix de synthèse pour un autre public. C'est parfaitement légitime, mais ce sont alors deux outils enchaînés, pas un seul. Savoir que la frontière existe vous évite de chercher la perle rare qui ferait tout, et de la payer le prix de deux abonnements pour un résultat moyen partout.
Si votre besoin est de rendre vos textes écoutables, vous cherchez bien de la synthèse vocale, et la suite de ce blog est faite pour ça. Si votre besoin est de transformer de la parole en texte, vous cherchez de la reconnaissance vocale, et ce n'est pas ici que vous la trouverez, mais au moins vous le saurez avant de signer.
Donnez une voix à vos articles avec WeDispatch
Collez un texte ou indiquez l'adresse d'un article, et écoutez le résultat en quelques minutes, gratuitement. Faites le test sur un de vos contenus et jugez la lecture vous-même.
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