Ce qu'est la synthèse vocale
La synthèse vocale désigne l'ensemble des techniques qui produisent de la parole à partir de texte. Le principe se décompose en étapes que la spécification SSML du W3C, un langage standard de balisage pour la synthèse de la parole, décrit clairement : analyser la structure du texte, le normaliser (écrire « 12 h 30 » ou « Dr » en toutes lettres), convertir les mots en phonèmes, calculer la prosodie, c'est-à-dire l'intonation et le rythme, puis produire le signal sonore.
Chaque étape peut trébucher. La normalisation doit savoir si « 1/2 » se lit « un demi » ou « un sur deux » ; la conversion en phonèmes doit connaître la prononciation d'un nom de rue ou d'une marque ; la prosodie doit distinguer une question d'une affirmation. C'est l'objet même de SSML : permettre d'indiquer au moteur de synthèse une prononciation, une pause, un volume ou un débit.
Comment la voix de synthèse a évolué
Les premières approches assemblaient des fragments de voix enregistrée, ce qui donnait des transitions audibles entre les morceaux. Les méthodes paramétriques ont ensuite modélisé la voix par des paramètres acoustiques, avec un son plus homogène mais plus mécanique. Les voix neuronales actuelles apprennent à produire le signal à partir de grandes quantités d'enregistrements et rendent une intonation beaucoup plus naturelle.
Cette progression a un revers : une voix très naturelle peut faire oublier à l'interlocuteur qu'il parle à une machine. C'est précisément ce que la réglementation européenne cherche à éviter, et c'est aussi un enjeu de confiance pour votre entreprise : un client qui découvre après coup qu'il parlait à une IA peut se sentir trompé.
Les critères de qualité qui comptent au téléphone
Au téléphone, l'oreille ne dispose que d'un son compressé, parfois dégradé. Une voix agréable en démonstration sur un bon haut-parleur peut devenir pénible sur une ligne mobile. Les critères qui comptent sont donc l'intelligibilité, un débit modéré, des pauses aux bons endroits et une articulation nette des chiffres, car un numéro de téléphone ou une heure de rendez-vous mal compris annule l'intérêt de l'appel.
Testez la voix avec vos propres contenus : le nom de votre entreprise, ceux de vos collaborateurs, vos adresses, vos tarifs, les termes techniques de votre métier. Écoutez aussi la latence, c'est-à-dire le délai entre la fin de la phrase de l'appelant et le début de la réponse : une voix parfaite qui répond avec un long blanc donne l'impression que la ligne a coupé.
Transparence : ce que dit le règlement européen sur l'IA
L'article 50 du règlement européen sur l'intelligence artificielle s'applique depuis le 2 août 2026. Selon la Commission européenne, les fournisseurs de systèmes d'IA destinés à interagir directement avec des personnes, comme les agents conversationnels, doivent faire en sorte que celles-ci soient informées, au plus tard lors de la première interaction, qu'elles échangent avec une IA, sauf si c'est évident pour une personne raisonnablement informée.
Le même article impose aux fournisseurs de marquer les contenus audio générés par une IA de façon détectable par une machine. Selon la Commission, une période de grâce jusqu'au 2 décembre 2026 est prévue, pour cette seule obligation de marquage, au bénéfice des systèmes mis sur le marché avant le 2 août 2026. Les hypertrucages, qui imitent par exemple la voix d'une personne réelle, doivent être signalés comme tels. Pour un usage téléphonique, la règle pratique est simple : annoncer dès les premières secondes que l'interlocuteur est une IA.
La voix est aussi une donnée personnelle
La CNIL rappelle, dans son livre blanc consacré aux assistants vocaux, que la voix est une caractéristique biométrique pouvant permettre d'identifier une personne. Cloner la voix d'un collaborateur pour en faire la voix de votre standard n'est donc pas un geste anodin : mieux vaut faire vérifier le cadre juridique applicable, recueillir son accord et prévoir ce qui se passera s'il quitte l'entreprise.
Une voix de synthèse générique, clairement présentée comme telle, évite ces difficultés. Elle a aussi l'avantage de ne pas créer d'ambiguïté chez l'appelant, qui ne croira pas parler à une personne précise de votre équipe.
Une voix qui se présente comme une IA
Alyas utilise la synthèse vocale pour répondre au téléphone 24 h/24 à partir des informations que vous lui fournissez, et annonce dès le début de l'appel qu'il s'agit d'une IA et que la conversation est enregistrée. Chaque appel donne lieu à une transcription et à un résumé consultables dans votre espace client, ce qui permet de repérer les passages où l'appelant a mal compris ou a fait répéter. L'essai gratuit de dix jours permet de l'écouter sur vos propres appels.
Questions fréquentes
Quelle différence entre synthèse vocale et voix de synthèse ?
La synthèse vocale désigne la technique qui transforme un texte en parole ; la voix de synthèse est le résultat sonore, c'est-à-dire la voix particulière produite par un moteur de synthèse. On parle aussi de TTS, pour text-to-speech.
Faut-il dire à l'appelant que la voix est générée par une IA ?
Oui. L'article 50 du règlement européen sur l'IA, applicable depuis le 2 août 2026, impose que les personnes soient informées qu'elles interagissent avec un système d'IA, au plus tard lors de la première interaction, sauf si c'est évident.
Peut-on utiliser la voix d'un collaborateur pour son standard ?
La voix étant une caractéristique biométrique selon la CNIL, ce n'est pas un choix anodin : faites vérifier le cadre juridique applicable, recueillez l'accord de la personne et prévoyez la durée d'usage. Une voix de synthèse générique présentée comme une IA évite ces questions.