VoxCPM2 synthétise la parole dans 30 langues et permet de générer des voix off en local

Après une modification de l’interface, il faut aussi revoir les instructions vocales : le nom d’un bouton a changé, tout comme l’ordre des actions. VoxCPM2 permet d’essayer le processus suivant : fournir au modèle un échantillon de la voix du comédien, lui transmettre le nouveau texte et obtenir une voix off à vérifier. Pour une équipe qui produit des vidéos de formation ou développe une interface vocale, c’est l’occasion de monter un petit pilote et de mesurer le travail manuel qui subsistera.

La publication d’origine pose un problème éditorial. La formule « a été mis à jour » donne l’impression d’une sortie récente, alors que l’historique du projet situe VoxCPM2 en avril 2026. Rien ne permet de présenter les fonctionnalités énumérées comme une mise à jour confirmée de novembre. L’outil mérite néanmoins l’attention : derrière cette brève présentation promotionnelle se trouve un modèle de synthèse vocale accessible.

Ce que l’on peut faire avec la voix

La fiche de VoxCPM2 décrit plusieurs usages. Il est possible de créer une voix à partir d’une description textuelle, de cloner un timbre à partir d’un court enregistrement et de contrôler en complément le style de diction. Pour obtenir une reproduction plus fidèle, les concepteurs proposent de fournir l’enregistrement accompagné de sa transcription. Ils annoncent 30 langues, dont le russe, et une sortie audio à une fréquence d’échantillonnage de 48 kHz.

Imaginons un service qui explique à un salarié comment organiser un déplacement professionnel. L’équipe enregistre la voix de référence avec l’accord du comédien, prépare le texte des instructions et essaie plusieurs interprétations : plus calme, plus rapide, avec des pauses plus marquées. Après une modification du formulaire de demande, elle peut synthétiser la réplique corrigée et la soumettre à un responsable éditorial pour écoute. Il s’agit d’un exemple de processus possible, pas du résultat de nos tests.

Il est utile de définir à l’avance ce qui constitue une voix off réussie. Un timbre reconnaissable ne signifie pas encore que les instructions sont compréhensibles. L’auditeur doit distinguer les noms des champs, comprendre correctement les montants et avoir le temps de suivre les actions. Pour un tel produit, ces qualités comptent davantage qu’une démonstration spectaculaire sur une seule phrase.

L’exécution en local exige une évaluation précise

Selon la documentation du projet, le modèle peut être exécuté de manière autonome ; le code et les poids sont publiés sous licence Apache-2.0. Une équipe peut ainsi mettre en place son propre processus de génération et de stockage des enregistrements. Mais la formule « quelques clics » décrit mal le travail de déploiement : il faut préparer l’environnement, télécharger le modèle et relier la génération à l’application.

Avant de procéder à cette intégration, mieux vaut choisir un cas d’usage complet. Par exemple, la préparation de courtes instructions audio qu’un responsable éditorial valide avant publication. Le livrable est alors clairement défini : une réplique prête à l’emploi. On peut mesurer le temps de génération, le nombre de nouvelles tentatives et les minutes consacrées à la vérification. Puis comparer l’ensemble du processus à l’enregistrement actuel avec un comédien ou au service déjà utilisé.

Pour un assistant vocal, l’évaluation sera différente. Il faut mesurer séparément le délai avant la première réplique audible, le comportement face à plusieurs requêtes simultanées et la gestion d’une réponse longue. La création rapide d’un fichier audio ne répond pas, à elle seule, à ces questions. Le coût du matériel doit également être comptabilisé avec la maintenance et le travail éditorial ; sinon, les économies resteront une hypothèse.

Les vérifications à effectuer avant l’intégration

Les concepteurs signalent plusieurs limites : la qualité varie selon les langues, le contrôle du style peut produire des résultats différents d’une génération à l’autre, et les textes longs ou chargés d’émotion entraînent parfois des instabilités. La promesse de cloner « n’importe quelle voix » à partir d’un enregistrement de quelques secondes ne peut donc pas être considérée comme une garantie pour un produit en production.

Pour une première évaluation, constituez un petit jeu de phrases tirées de vos propres contenus. Ajoutez des noms de famille, des abréviations, des dates, des montants et des phrases dont l’accentuation peut prêter à ambiguïté. Conservez les textes d’origine et les résultats : il sera plus facile de voir si les erreurs se reproduisent après un changement de réglages. Évaluez aussi séparément le nombre de répliques qu’il faut reprendre manuellement.

Concernant les 48 kHz, il faut également éviter de confondre une caractéristique du fichier avec la qualité de l’interprétation. Cette fréquence ne prouve ni la justesse de l’accentuation, ni le naturel des pauses, ni la ressemblance avec le comédien. Ces aspects doivent être écoutés et évalués sur les contenus du produit concerné.

L’intérêt pratique de VoxCPM2 réside dans la possibilité de tester sa propre voix off sur un cas concret. Il est raisonnable de commencer par des répliques courtes, avec une écoute systématique. Si le pilote montre une qualité acceptable et une réduction du travail manuel, il y aura matière à investir dans l’intégration. D’ici là, la promesse de remplacer le processus d’enregistrement en studio reste une promesse publicitaire.