DeepL Voice sait désormais transposer le sarcasme et les changements d'humeur dans la traduction en direct

Imaginez : un collègue de Berlin dit lors d'un appel « Mais bien sûr, excellent plan ». L'intonation rend tout clair sans explication. Le traducteur, lui, restitue la même phrase d'une voix plate, et à Tokyo ou à Madrid, on la prend au pied de la lettre. DeepL tente de résoudre ce problème avec un nouveau modèle, Aure, pour son produit vocal DeepL Voice.

Ce qui n'allait pas

Jusqu'ici, DeepL Voice générait la parole traduite à partir d'un échantillon de voix statique, prélevé au début de la conversation. La voix ressemblait à celle du locuteur, mais l'humeur restait « figée ». La personne pouvait commencer à s'agacer, à rire ou à ironiser, et la parole synthétisée gardait la même intonation. Le sarcasme réside presque entièrement dans l'intonation, et non dans les mots. C'est pourquoi la traduction de texte le perd, et la traduction vocale avec échantillon statique aussi.

Comment fonctionne Aure

Aure ne prélève pas un échantillon une seule fois, mais analyse en permanence deux flux : le texte traduit et l'audio source. De l'original sont extraits le ton, les émotions, les accents de sens et le rythme de la parole. Tout cela est transposé dans la parole de l'autre langue au fil de la conversation.

L'idée clé tient à l'entraînement. DeepL sépare trois composantes : l'identité de la voix, la mélodie de la parole et le contenu. Chacune peut être transposée indépendamment dans une nouvelle langue. Le plus simple est de se dire ceci : le timbre répond à la question « qui parle », la mélodie à « comment il parle », le contenu à « ce qu'il dit ». Si ces couches sont collées, la phonétique étrangère suit avec l'intonation. Si elles sont séparées, on peut conserver la voix et l'émotion, tandis que les mots et la prononciation viennent de la langue cible. Pour qu'il ne reste pas d'accent de la langue source en sortie, DeepL recourt à l'apprentissage par renforcement.

Où c'est disponible et dans quel contexte

Aure s'active automatiquement dans DeepL Voice for Online Meetings, DeepL Voice for In-Person Conversations et dans l'API DeepL. Au lancement, sont pris en charge l'anglais, l'allemand, l'espagnol, le français, l'italien, le japonais, le portugais et le coréen. DeepL a lancé la préservation de la voix en septembre, Aure apparaît donc comme l'étape suivante de la même ligne.

Il y a aussi la stratégie de l'entreprise derrière tout cela. En mai, DeepL a supprimé environ 250 postes, se réorganisant autour de petites équipes appuyées sur l'IA et se présentant comme « AI-native ». DeepL a en outre racheté l'équipe de Mixhalo, spécialistes du streaming audio, pour renforcer la traduction de la parole en temps réel. La pression concurrentielle existe aussi : la société Block a récemment dévoilé Dessa, un modèle vocal qui détecte les émotions et le sarcasme directement à partir de l'audio. L'industrie va manifestement de la traduction des mots vers la traduction du sens.

Que faire de tout cela

Si vous développez un produit comprenant des appels internationaux, du support, de la formation ou des négociations, la justesse émotionnelle de la traduction devient une part de la qualité. Auparavant, on pouvait ne pas y penser ; désormais, c'est un éventuel facteur de différenciation face aux concurrents. L'accès par API permet d'intégrer une telle traduction dans votre propre service sans entraîner de modèle à partir de zéro. Il est raisonnable de réunir quelques enregistrements réels contenant de l'ironie, des pauses et des changements de ton, puis de les passer dans Aure sur vos paires de langues.

Limites

L'annonce ne contient ni métriques de qualité, ni données de latence, ni tests indépendants : il s'agit donc pour l'instant d'affirmations de l'entreprise elle-même. On ignore comment le modèle se comporte avec le bruit, les interruptions et les changements rapides de locuteur. Huit langues, c'est peu, et pour de nombreux marchés cela ne suffira pas. Autre question : le coût de l'erreur. C'est mon opinion, et non une donnée de l'annonce : une intonation mal transposée peut faire plus de dégâts qu'un mot erroné, car on prête à la personne un ton qu'elle n'avait pas. Pour les négociations et les conversations délicates, il vaut mieux conserver une possibilité de vérification.