Une voix russe prête à l'emploi : pourquoi le TTS open source ne sonne plus comme un robot des années 90

Vous souvenez-vous de l'époque où la synthèse vocale en russe relevait de la torture ? La voix de robot bègue d'un GPS bon marché, qui confondait les accents toniques et transformait n'importe quelle phrase en suite de sons sans vie, a longtemps été notre seule compagne. Même quand les premières versions de WaveNet faisaient du bruit en Occident, le segment russophone restait à la traîne, à cause de la complexité de la morphologie et des spécificités de l'accentuation. Mais depuis un an, la situation s'est renversée. Aujourd'hui, les modèles ouverts permettent de monter un serveur local et d'obtenir une qualité qui semblait hier le privilège exclusif de géants comme Google ou Yandex.

Le principal problème du russe en TTS tient depuis toujours à l'accentuation. Contrairement à l'anglais, où les règles de lecture sont plus ou moins formalisées, le russe exige une compréhension fine du contexte pour placer les accents. Longtemps, Silero est resté l'étalon-or de l'open source.

C'était une vraie percée : un modèle léger et rapide qui tournait littéralement sur un « fer à repasser » (une vieille machine peu puissante) et donnait un résultat tout à fait correct. Mais le temps passe, et les architectures simples ont cédé la place à des solutions lourdes, mais d'une souplesse remarquable, fondées sur les transformers et les modèles de diffusion. Nous sommes passés de l'ère de la synthèse à l'ère de la génération.

En ce moment, l'industrie s'emballe pour les modèles zero-shot. Vous donnez à un réseau de neurones un enregistrement de trois secondes de votre voix, et il se met à parler comme vous, en conservant le timbre, la manière et même une légère raucité. À l'avant-garde se trouvent des projets comme GPT-SoVITS et Fish Speech. Leur atout : ils traitent le son comme une séquence de tokens, à la manière du texte dans GPT. Cela a réglé le problème du naturel de l'intonation. Le modèle ne se contente plus de lire des mots : il comprend la structure de la phrase et sait où placer une pause dramatique et où monter le ton.

Pourquoi est-ce important maintenant ? D'abord, le coût des API cloud comme ElevenLabs est devenu soit exorbitant, soit physiquement inaccessible pour les développeurs russes à cause des sanctions. Ensuite, il y a la confidentialité des données. Les grandes entreprises n'ont guère envie d'envoyer leurs documents internes ou leurs enregistrements de conversations sur des serveurs étrangers pour les mettre en voix. Exécuter des modèles open source en local sur ses propres GPU règle les deux problèmes d'un coup. Par ailleurs, des outils modernes comme Piper permettent de faire tourner une synthèse de qualité même sur un Raspberry Pi, ce qui relevait de la science-fiction il y a encore deux ans.

Cela dit, inutile de se faire des illusions : le fromage gratuit exige toujours une bonne souricière, sous la forme d'un matériel puissant. Si Silero filait sur un seul cœur d'un vieux processeur, les modèles modernes fondés sur l'architecture VITS ou sur la diffusion demandent de sérieuses cartes graphiques pour fonctionner en temps réel. Les développeurs doivent choisir entre vitesse et qualité. Pour mettre en voix un livre, on peut attendre. Pour construire un assistant vocal, la latence (latency) est critique, et la communauté open source cherche encore ici l'équilibre idéal.

Il est intéressant de voir l'approche de l'entraînement évoluer. Auparavant, il fallait des jeux de données de studio propres. Désormais, les modèles sont assez malins pour apprendre à partir de données « sales » issues de YouTube ou de podcasts, en filtrant eux-mêmes le bruit. Résultat : une croissance explosive du nombre de voix disponibles. On voit la communauté de Habr et de GitHub se mobiliser pour constituer d'immenses jeux de données en russe, rendant la technologie accessible à tous. Ce n'est plus un simple jouet pour geeks, mais un véritable outil pour les entreprises, les médias et le jeu vidéo.

L'essentiel : l'ère de la domination des API payantes dans la synthèse vocale touche à sa fin. Pour la plupart des tâches de TTS en russe, une carte graphique moderne et un dépôt GitHub correctement configuré suffisent aujourd'hui. Les grandes entreprises pourront-elles proposer quelque chose d'assez unique pour que nous voulions de nouveau payer chaque mot ?