Fini de passer des heures à aligner des pistes audio, à synchroniser des dialogues avec des effets sonores, à pleurer sur un mix pourri. Volcano Engine, la branche cloud du groupe, vient de lâcher Doubao Audio Generation Model 1.0, et le pitch a de quoi faire saliver les podcasteurs du dimanche comme les réalisateurs fauchés.
Le principe : un seul prompt, et le modèle te sort un rendu complet – dialogues, bruitages, musique de fond – en une fois. Fini le monteur son qui te facture un rein, fini les allers-retours entre Audacity et ta bibliothèque de samples. Tu tapes « scène de poursuite sous la pluie avec dialogue tendu et basse angoissante », et l’IA te pond le fichier. Enfin, en théorie.
Deux technos phares sont annoncées : la génération multimodale par référence et la cohérence vocale longue durée. La première permet de filer un échantillon audio (ta voix, un craquement de porte, un sample de batterie) et de lui faire enfanter des variations cohérentes. La seconde promet de garder la même voix pendant 10 minutes, ce qui est un progrès notable par rapport à ces modèles qui changent de timbre tous les 30 secondes comme un ado qui mue.
Un pas de plus vers l’audio total ?
Sauf que comme d’hab, faut pas s’emballer trop vite. C’est toujours pareil : les démos sont calibrées, les cas parfaits. Mais dans la pratique, entre un prompt foireux et une voix synthétique qui part en couilles, il y a un monde. Et personne n’a encore testé la cohérence sur 10 minutes avec des émotions variées. Un cri de rage qui dure 3 secondes, OK. Un murmure angoissé sur toute une scène, c’est autre chose.
Reste que ByteDance avance vite. Il y a trois jours à peine, on vous parlait de leur modèle vidéo Seedance 2.5 et de Doubao 2.1 Pro. Là, ils attaquent l’audio pur. La stratégie est claire : couvrir tout le spectre multimédia, du texte à la vidéo en passant par le son. Pendant ce temps, chez les concurrents, OpenAI tarde à sortir son générateur audio grand public, et ElevenLabs reste cantonné au TTS. L’écart se creuse.
Alors oui, c’est prometteur. Mais on attend de voir si Doubao Audio 1.0 fait mieux qu’un stagiaire boutonneux avec un casque et un logiciel craqué. L’audio direction fait rêver, mais la réalité est plus complexe.
Sources :
Comments are closed