Tester une voix de synthèse française en dix minutes
Un protocole court et reproductible pour départager deux voix de synthèse françaises, à appliquer à n'importe quel outil, y compris le nôtre. Six épreuves, dix minutes, une décision.
Choisir une voix de synthèse au feeling, sur une démonstration bien choisie, c'est décider en trente secondes ce que vous entendrez pendant des mois. Le résultat se paie plus tard, en production, quand la voix qui sonnait bien sur trois phrases écorche un nom de commune ou lit « quinze slash zéro trois » à la place d'une date.
Voici un protocole de dix minutes, chronométré, à appliquer tel quel à n'importe quel outil, y compris le nôtre. Il ne demande aucune compétence technique et il est volontairement reproductible : vous pouvez le faire passer à trois concurrents dans la même demi-heure et comparer sur des bases identiques. Préparez d'abord une chose : un article réel de votre site, pas un texte de démonstration. Le vôtre contient vos noms propres, vos chiffres, votre longueur de phrase. C'est lui le juge.
Minute 1 à 2 : votre pire paragraphe
Repérez dans votre article le passage que vous auriez du mal à lire vous-même à voix haute : une phrase longue avec deux incises, ou un paragraphe qui enchaîne trois noms d'organismes. Donnez-le à la voix. Une voix qui tient sur un texte difficile tiendra partout ; l'inverse n'est jamais vrai. Si elle s'effondre ici, vous pouvez arrêter le test.
Minute 3 : les chiffres et les dates
Trouvez dans le texte un montant, une date, un pourcentage, une heure, un numéro. Écoutez uniquement ces endroits. « 1 200 € » doit se dire « mille deux cents euros », « 15/03 » doit se dire « quinze mars ». Une voix qui lit « quinze slash zéro trois » a échoué à quelque chose de basique, et vos articles en sont pleins. Ce test de trente secondes élimine plus de candidats que tous les autres. Le détail des formes qui piègent est dans lire les nombres à voix haute en français.
Minute 4 : les noms propres de votre territoire
Faites lire cinq noms qui reviennent chez vous : communes, quartiers, élus, entreprises locales, sigles de métier. Comptez les erreurs. Ce chiffre est plus prédictif de votre satisfaction à six mois que n'importe quelle impression sur le timbre. Et posez tout de suite la vraie question : ces erreurs se corrigent-elles sans changer de voix, par une liste de prononciations qui tient dans le temps ? Chez nous, c'est le rôle du lexique de prononciation.
Minute 5 : les liaisons
Faites lire « Les haricots sont bons » et « Ils en ont assez ». La première interdit la liaison (« lé / aricot »), la seconde l'enchaîne entièrement. Une voix qui dit « lé-z-aricot » ne connaît pas la liste des h aspirés ; une voix qui détache « ils / en / ont » sonne robotique. Le test complet, avec cinq phrases pièges, est dans les liaisons, le test le plus dur du français lu par une machine.
Minute 6 à 8 : dix minutes d'écoute, pas trente secondes
La fatigue d'écoute ne se mesure pas sur un extrait. Lancez la lecture d'un article entier et écoutez-le en faisant autre chose, comme le fera votre audience. Guettez le défaut de rythme : une cadence trop régulière, une respiration au même endroit à chaque phrase, qui passe inaperçue au début et devient pénible après cinq minutes. Si vous avez envie que ça s'arrête, votre lecteur aussi. C'est le seul point du protocole qui déborde des dix minutes affichées, et il le vaut : lancez-le au début et laissez-le tourner pendant les autres épreuves.
Minute 9 : le même texte, deux fois
Regénérez le même passage et comparez. Une voix qui produit deux versions sensiblement différentes vous posera problème le jour où vous corrigerez une phrase dans un article déjà publié : le segment refait ne se raccordera pas au reste. C'est invisible en démonstration et déterminant en production.
Minute 10 : ce que la voix rend en plus du son
Demandez si la voix fournit les horodatages mot à mot, c'est-à-dire la position de chaque mot dans le fichier. C'est ce qui permet le texte surligné pendant la lecture, la recherche dans l'audio et les sous-titres. La réponse varie d'une voix à l'autre chez un même fournisseur, ce qui surprend souvent, et une voix qui ne rend qu'un fichier son vous ferme des portes que vous ne voyez pas encore.
Ce que le protocole vous dit, et ce qu'il ne dit pas
En dix minutes, vous savez si une voix lit vraiment le français ou se contente de le prononcer, si ses erreurs sont corrigibles, et si elle vous laisse construire autre chose qu'un simple fichier. Ce qu'il ne vous dit pas, c'est le coût réel à votre volume et le délai de génération sur vos longueurs : deux points à mesurer ensuite, développés dans comment évaluer une voix neuronale.
Ce protocole n'avantage personne : c'est une grille, pas un argumentaire. Nous le publions parce que notre parti pris, exposé sur la page text to speech français, est de bien lire une langue plutôt que d'en lire trente à peu près. Une grille honnête sert cette position : appliquez-la à nos voix comme aux autres, et jugez sur vos textes.
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