Le modèle OmniVoice a synthétisé 5 minutes de texte russe en 44 secondes, mais se trompe sur les accents toniques
Le modèle gratuit OmniVoice lit du texte à voix haute et peut remplacer un comédien dans un bot vocal ou une vidéo pédagogique. L'ingénieur Raft a synthétisé un extrait de la nouvelle « Monsieur de San Francisco » : 5 minutes d'audio en 44 secondes, soit sept fois plus vite que la durée de l'enregistrement. Mais par endroits, les fins de phrases sont tronquées, des mots sont avalés et les accents toniques sont mal placés. Pour des brouillons, cela suffit ; pour une vidéo finale, il faut une relecture.
Traité par IA depuis Raft ; édité par Hamidun News
Imaginez qu'il vous faille enregistrer une centaine de phrases pour un bot vocal ou un cours en ligne, et que les textes changent une semaine plus tard. Avec un comédien, cela signifie de nouveau un studio, un enregistrement et un montage : coûteux et lent. Les modèles de synthèse vocale (TTS, de l'anglais text-to-speech, c'est-à-dire des programmes qui lisent un texte à voix haute) sonnaient longtemps comme des robots, mais ils sont devenus nettement plus naturels.
L'ingénieur Raft Danil Muzafarov, de DS, a testé en russe le modèle gratuit OmniVoice, récemment publié. Résultat principal : il a généré cinq minutes d'audio à partir d'un extrait de la nouvelle « Monsieur de San Francisco » en 44 secondes, soit environ sept fois plus vite que la durée de l'enregistrement lui-même. Mais la voix de synthèse présente encore des artefacts : coupures en fin de phrase, mots avalés et accents toniques erronés.
Ce que sait faire OmniVoice
Les auteurs annoncent la prise en charge de plus de 600 langues et trois modes de fonctionnement. Le premier est le clonage de voix : on fournit au modèle un court enregistrement de voix ainsi que sa transcription, et il lit ensuite n'importe quel texte avec cette voix. Le deuxième consiste à créer une voix à partir d'une description.
Attention : une phrase libre du type « voix grave d'un comédien professionnel » ne fonctionne pas. Le champ instruct n'accepte qu'un ensemble limité de paramètres, par exemple « male, low pitch, russian accent », si bien qu'il faut composer la description à partir d'étiquettes prédéfinies. Le troisième mode est le choix automatique de la voix : on ne transmet que le texte, et le modèle décide du reste.
Les marqueurs non verbaux ont également été testés. On peut insérer dans le texte les balises [laughter], [sigh], [surprise-oh], [question-ah] et [dissatisfaction-hnn], et la voix restitue alors un rire, un soupir, une surprise ou un mécontentement. L'auteur a fait lire un dialogue professionnel sur la conversion du tunnel de vente et le rapport trimestriel, puis a vérifié si le modèle revenait à un ton neutre après les insertions émotionnelles. Pour les assistants vocaux et la formation, c'est utile : la monotonie se remarque surtout sur les longs enregistrements.
Voix longue : rapide, mais imparfaite
Les textes longs sont un point faible classique de la synthèse vocale : vers le milieu de l'enregistrement, des artefacts peuvent apparaître et le timbre peut dériver. Pour le vérifier, l'extrait de « Monsieur de San Francisco » a été découpé en segments de 15 secondes (paramètres audio_chunk_duration et audio_chunk_threshold). Résultat : environ cinq minutes d'audio générées en 44 secondes. Pour une synthèse en lot, la vitesse ne deviendra vraisemblablement pas le goulot d'étranglement. En revanche, l'article ne précise pas sur quel matériel le calcul a été effectué ; sur votre carte graphique, le chiffre peut donc être différent.
L'auteur juge la qualité bonne, mais avec des défauts sensibles : les fins de phrases sont coupées, des mots sont avalés, et des accents toniques sont mal placés. Il suppose que l'ajustement des hyperparamètres (réglages de génération) pourrait améliorer le résultat. Pour l'instant, il s'agit d'une hypothèse, non d'un résultat vérifié.
Comment l'auteur a testé les scénarios métier
Les beaux exemples du dépôt de code disent peu des tâches réelles : les textes d'entreprise regorgent de dates, de montants, de noms de personnes, d'abréviations, de termes anglais et de noms de produits. Danil a donc constitué son propre benchmark, avec 10 phrases par type. Ont été testés les noms de personnes, les dates et l'heure, les nombres, les pourcentages et les montants d'argent, les sigles, les homographes (mots qui se prononcent différemment selon le sens, comme « serrure » ou « serré » en contexte) et les mots anglais dans un texte russe. La notation allait de 0 à 5 : zéro signifie une voix incompréhensible ou absente, cinq une prononciation nette, sans erreur d'accent ni d'intonation.
Dans la partie accessible de l'article, aucune note finale n'est donnée pour ces catégories, il est donc trop tôt pour en tirer des conclusions. De plus, une seule personne a évalué les résultats, à l'oreille, sur un échantillon restreint. C'est un bon repère, mais pas une comparaison rigoureuse entre modèles.
Que faire concrètement
Si vous envisagez de remplacer un comédien, il est raisonnable de répartir les tâches. Pour les prototypes de bots vocaux, les supports de formation internes et les brouillons rapides, OmniVoice semble une option viable : la vitesse est élevée, le clonage de voix et les balises émotionnelles sont disponibles d'emblée, et la licence ouverte permet de garder le contrôle de l'infrastructure. Pour les publicités finales et les scénarios IVR clients (les menus vocaux automatiques des lignes téléphoniques), une relecture reste nécessaire : les accents toniques erronés et les phrases coupées seront immédiatement perceptibles pour le client.
Le principal conseil de ce test : ne vous fiez pas aux démonstrations, et constituez votre propre jeu de 50 à 100 phrases réelles de votre entreprise, avec des noms de clients, des montants, des dates, des abréviations et des noms de produits. Passez-les dans le modèle, écoutez le résultat et notez-le sur une échelle simple de 0 à 5. En une soirée, vous saurez si la qualité suffit et combien de corrections manuelles il faudra prévoir dans le processus.
- 12 oct. 2026Dictée sans parasites : Whisper sur ordinateur et Claude pour le nettoyage
- 17 mai 2026Le russe coûte 2 fois plus cher dans ChatGPT : la tokenisation en cause
- 15 juin 2026Vibe coding : Gemini a créé une application en 4 minutes sans code
- 2 mai 2026deepvk face à OpenAI : un benchmark sur des décisions de justice
Questions clés sur cet article
Que sait-on sur Ce que sait faire OmniVoice ?
Les auteurs annoncent la prise en charge de plus de 600 langues et trois modes de fonctionnement. Le premier est le clonage de voix : on fournit au modèle un court enregistrement de voix ainsi que sa transcription, et il lit ensuite n'importe quel texte avec cette voix. Le deuxième consiste à créer une voix à partir d'une description. Attention : une phrase libre du type « voix grave d'un comédien professionnel » ne fonctionne pas.
Que sait-on sur Voix longue : rapide, mais imparfaite ?
Les textes longs sont un point faible classique de la synthèse vocale : vers le milieu de l'enregistrement, des artefacts peuvent apparaître et le timbre peut dériver. Pour le vérifier, l'extrait de « Monsieur de San Francisco » a été découpé en segments de 15 secondes (paramètres audio_chunk_duration et audio_chunk_threshold). Résultat : environ cinq minutes d'audio générées en 44 secondes. Pour une synthèse en lot, la vitesse ne deviendra vraisemblablement pas le goulot d'étranglement.
Comment l'auteur a testé les scénarios métier?
Les beaux exemples du dépôt de code disent peu des tâches réelles : les textes d'entreprise regorgent de dates, de montants, de noms de personnes, d'abréviations, de termes anglais et de noms de produits. Danil a donc constitué son propre benchmark, avec 10 phrases par type.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.