Google vient de balancer pas un mais deux modèles de synthèse vocale : gemini-3.8-flash-tts et gemini-3.8-flash-lite-tts. À lire la fiche technique, ça fait saliver n’importe quel preneur de son : plus de 2 000 voix au catalogue, une couverture de plus de 100 langues, et surtout la capacité de fabriquer une voix de toutes pièces à partir d’une simple description écrite. Tu décris un présentateur de JT des années 80 avec un filet de flegme britannique, et tu l’as dans l’oreille. Bienvenue au rayon surgelés de l’audio.
Le bout qui devrait te faire tendre l’oreille, ce n’est pas le catalogue. C’est la petite ligne planquée dans les specs : un échantillon de trente secondes suffit pour créer un profil vocal. Trente secondes. Le temps de raconter ta journée et de raccrocher, ta voix a un double. Simon Willison a déjà monté un petit terrain de jeu en bring-your-own-key pour trifouiller les deux modèles, et il résume la promesse brute : trente secondes de « ta voix, ou d’une voix dont tu as les droits ». Reste à s’arranger avec ta conscience, on t’a juste filé les clés.
La mise en scène, le vrai morceau
Ce qui rend le truc intéressant au-delà de la démo, c’est la couche direction d’acteurs. Les deux modèles acceptent ce qu’on appelait jadis des didascalies. Tu peux coller une indication de ton ou d’émotion sur une ligne précise, et faire jouer un dialogue à deux voix à partir d’un seul script. Fini le fichier de douze pistes avec un comédien qui négocie deux cachets pour dire quatre phrases.
C’est là que Google avance son pion. Les autres savent déjà lire un texte à voix haute. Savoir le jouer ligne par ligne, avec la colère au bon endroit et la nuance au bon mot, ça se rapproche dangereusement du boulot d’un comédien voix, pas juste d’un lecteur automatique. Et le Flash-Lite dans le lot vient rappeler que la facture de calcul, elle, ne joue pas la comédie.
Le clonage n’est plus une prouesse, c’est une case à cocher
Il y a deux ans, cloner une voix crédible à partir de trente secondes, c’était un papier de recherche qu’on montrait en conférence avec un « ne faites pas ça chez vous ». Aujourd’hui, c’est une fonctionnalité dans un communiqué produit, au même niveau qu’un mode sombre. La démocratisation d’un outil pareil, ça veut dire quoi concrètement ? Que n’importe qui peut fabriquer la voix de n’importe qui à partir d’un extrait piqué dans une story Instagram, un vocal WhatsApp ou une vieille interview YouTube. La barrière technique a fondu. Reste la barrière légale et morale, et là, on est encore à l’âge de pierre.
Alors oui, Google met un garde-fou textuel. « Une voix dont tu as les droits. » Sauf que le modèle qui a servi à entraîner le bazar, personne ne t’a demandé ton avis pour qu’il y figure. Le consentement vocal ressemble au consentement tout court : le mettre dans les petites lignes ne suffit pas à le rendre réel.
Le vrai sujet, ce n’est pas que Gemini parle mieux. C’est que ta voix, elle, n’a rien signé.
Sources :
Comments are closed