Comment ça marche · L'IA · module en construction
Les IA qui entendent et parlent
Mis à jour le . Ce sujet évolue vite (règles sur les voix de synthèse) : vérifie s'il y a du nouveau depuis cette date.
Tu dictes un message, ton téléphone l'écrit ; une vidéo affiche des sous-titres ; un GPS te parle. Pour une machine, une voix n'est qu'une suite de nombres. Mesure un son, regarde sa forme, apprends à une machine à reconnaître des voyelles, puis fais-la parler. Monte le son : cette page fait du bruit, seulement quand tu cliques.
Choisis ton niveau et ta façon de lire : tu peux en changer à tout moment.
Étape 0 : Le son en nombres
Un son est une vibration de l'air. Un micro la transforme en une tension électrique qui monte et descend ; pour la numériser, on la mesure à intervalles réguliers, des milliers de fois par seconde. Il faut au moins deux mesures par vibration : un son de 1 000 Hz demande plus de 2 000 mesures par seconde. Avec moins, les mesures dessinent une vibration plus lente, un son plus grave qui n'existait pas. Les CD mesurent le son 44 100 fois par seconde, assez pour tout ce que l'oreille humaine entend.
le vrai son ce qu'on reconstruit les mesures
🟢 Découverte
Un son est une vibration de l'air. Pour le numériser, on le mesure très souvent : chaque mesure est un nombre. Change la hauteur du son et le nombre de mesures par seconde.
🟡 Curieux
Il faut au moins deux mesures par vibration. Un CD en prend 44 100 par seconde, assez pour les sons les plus aigus que l'oreille humaine perçoit, vers 20 000 vibrations par seconde. En dessous, on fabrique de faux sons graves : le repliement.
🔴 Ingénieur
Un signal dont les fréquences restent sous fmax est entièrement déterminé par ses échantillons si la fréquence d'échantillonnage dépasse 2 fmax. Sinon, une fréquence f est vue comme |f − k·fe|. On filtre donc les aigus avant de numériser. Chaque mesure est ensuite arrondie, par exemple sur 16 bits pour un CD.
Un peu d'histoire
Le résultat « deux mesures par vibration suffisent » a été trouvé plusieurs fois, de façon indépendante : par le Britannique Edmund Whittaker (1915), le Soviétique Vladimir Kotelnikov (1933), l'Allemand Herbert Raabe (1939), le Japonais Isao Someya et l'Américain Claude Shannon (1949), qui l'a fait connaître en écrivant lui-même que c'était un fait « bien connu » des ingénieurs. Harry Nyquist avait souligné dès 1928 l'importance de cet intervalle pour le télégraphe.
Les 44 100 mesures par seconde du CD (Sony et Philips, 1980) viennent des magnétoscopes qui servaient alors à enregistrer le son numérique : il fallait un chiffre compatible avec la vidéo. Selon Kees Immink, ingénieur de Philips, on a préféré 44,1 kHz à 44,056 kHz « parce que c'était plus facile à retenir ».
Idées reçues
« La durée du CD a été choisie pour la 9ᵉ symphonie de Beethoven. » Une légende tenace, que Kees Immink, ingénieur du projet chez Philips, conteste : « il ne faut pas y croire ».
Étape 1 : Voir le son
Un spectrogramme montre le son comme une image : le temps de gauche à droite, les fréquences de bas en haut, l'intensité en couleur. Pour la voyelle « a », deux bandes sombres se dessinent vers 650 et 1 300 Hz chez un homme ; pour « i », l'une descend vers 300 Hz et l'autre monte vers 2 050 Hz. Ces bandes, les formants, viennent de la forme de la bouche : ce sont elles qui permettent de reconnaître les voyelles, quelle que soit la hauteur de la voix.
🟢 Découverte
Ce dessin s'appelle un spectrogramme : le temps de gauche à droite, les sons graves en bas, les aigus en haut. Chaque voyelle laisse sa signature : des bandes sombres à des hauteurs différentes.
🟡 Curieux
Les cordes vocales vibrent (c'est la hauteur de la voix), et la bouche, la langue et les lèvres forment une caisse de résonance qui renforce certaines fréquences : les formantsFormant — Fréquence que la bouche, la langue et la gorge renforcent quand on parle, comme une caisse de résonance. Les deux premiers formants suffisent presque à reconnaître une voyelle, que la voix soit grave ou aiguë.. On reconnaît un « a » par ses formants, que la voix soit grave ou aiguë.
🔴 Ingénieur
On découpe le son en fenêtres de 32 ms (512 échantillons à 16 kHz), décalées de 7,5 ms, et l'on calcule le spectre de chacune par une transformée de Fourier rapide. C'est le modèle « source-filtre » : une source (impulsions des cordes vocales) passe dans un filtre (le conduit vocal). Les systèmes de reconnaissance reçoivent en entrée ce genre d'image.
Un peu d'histoire
Le modèle source-filtre doit beaucoup aux Japonais Tsutomu Chiba et Masato Kajiyama (The Vowel, 1941-1942), puis au Suédois Gunnar Fant, qui en fait une théorie quantitative en 1960. Le spectrographe des Bell Labs, proposé par Ralph Potter, est décrit en 1946 : il enregistrait 2,4 secondes de son sur une boucle magnétique et l'analysait bande par bande. L'un de ses buts affichés : rendre la parole visible pour les personnes sourdes. En 1947, Potter, George Kopp et Harriet C. Green publient Visible Speech, un manuel pour apprendre à lire les spectrogrammes.
Étape 2 : Reconnaître une voyelle
Pour reconnaître une voyelle, l'ordinateur estime dans le son ses deux premiers formants, F1 et F2, puis cherche le modèle le plus proche : « i » a un F1 bas et un F2 haut, « a » un F1 haut, « ou » les deux bas. Si les modèles ont été appris seulement sur des voix d'hommes, une voix d'enfant, aux formants plus hauts, est parfois confondue : un « o » d'enfant ressemble à un « a » d'homme. Avec des modèles appris sur des voix variées, les erreurs diminuent.
🟢 Découverte
L'ordinateur mesure les deux premiers formants de la voyelle et la place sur une carte. Il répond avec le modèle le plus proche. Essaie avec une voix d'enfant, puis change les modèles.
🟡 Curieux
Une machine reconnaît mieux les voix qui ressemblent à celles qu'elle a entendues en apprenant. Des modèles tirés de voix d'hommes adultes se trompent davantage avec des enfants. Pour les systèmes réels, c'est pareil avec les accents, les langues rares, les voix âgées ou les troubles de la parole.
🔴 Ingénieur
Les formants sont estimés par prédiction linéaire (LPC, ordre 12, après réduction à 8 kHz) : on prédit chaque échantillon à partir des 12 précédents, et les pics du filtre obtenu sont les formants. La reconnaissance est un plus proche voisin dans le plan (log F1, log F2). Les systèmes actuels transforment directement le spectrogramme en mots avec des réseaux de neurones entraînés sur des centaines de milliers d'heures.
Un peu d'histoire
En 1952, trois chercheurs des Bell Labs, Davis, Biddulph et Balashek, construisent une machine (surnommée plus tard « Audrey ») qui reconnaît les chiffres dits par une seule personne, en suivant ses formants, comme l'animation. Dans les années 1960, des équipes japonaises (Kyoto, NEC), soviétiques et britanniques progressent ; IBM montre en 1962 la « Shoebox », qui comprend 16 mots. Le programme de la DARPA (1971-1976) donne Harpy, à Carnegie Mellon, dans le groupe de Raj Reddy : 1 011 mots.
Les méthodes statistiques (modèles de Markov cachés) s'imposent ensuite, avec Janet Baker et James Baker, qui fondent Dragon Systems en 1982, et l'équipe de Frederick Jelinek chez IBM. À partir de 2012, les réseaux de neurones profonds prennent le relais. En 2022, le système Whisper est entraîné sur 680 000 heures d'audio, dont 117 000 heures dans 96 langues autres que l'anglais.
En 2020, une équipe de Stanford menée par Allison Koenecke a fait transcrire par cinq systèmes commerciaux des entretiens avec des personnes noires et blanches aux États-Unis : 35 mots sur 100 mal reconnus en moyenne pour les personnes noires, contre 19 pour les personnes blanches, même sur des phrases identiques. Pour les langues peu dotées, le projet ouvert Common Voice collecte des voix de volontaires dans 295 langues ; Kathleen Siminyu, Britone Mwasaru et Rebecca Ryakitimbo Mwimbi y ont développé le swahili.
Idées reçues
« Chaque fois que je renvoie un linguiste, la reconnaissance s'améliore. » La phrase attribuée à Frederick Jelinek circule sous cette forme ; lui-même cite une boutade un peu différente, lancée en 1988, et intitule en 2004 une conférence « Certains de mes meilleurs amis sont linguistes ».
Étape 3 : Faire parler une machine
Pour fabriquer une voyelle, on n'a besoin que de trois réglages : la hauteur de la voix (la vibration des cordes vocales) et les deux premiers formants, qui donnent la couleur de la voyelle. Avec F1 bas et F2 haut, on entend « i » ; avec F1 haut, « a » ; avec les deux bas, « ou ». Les premières voix de synthèse électroniques, puis les synthétiseurs à formants comme DECtalk, reposaient sur ce principe.
🟢 Découverte
À l'inverse, pour faire parler une machine, on fabrique le son : une vibration de base, et des formants. Bouge les curseurs et écoute la voyelle changer.
🟡 Curieux
Les premières voix de synthèse étaient réglées à la main, comme ici. Ensuite, on a assemblé des morceaux de voix enregistrées. Aujourd'hui, des réseaux de neurones fabriquent le son échantillon par échantillon, à partir de très nombreux enregistrements : la voix devient très naturelle.
🔴 Ingénieur
Le synthétiseur de la page envoie un train d'impulsions à f0 dans une cascade de résonateurs du second ordre centrés sur F1, F2 et F3 (comme les synthétiseurs à formants de Klatt). Les synthèses neuronales prédisent plutôt un spectrogramme à partir du texte, puis un « vocodeur » neuronal en tire les échantillons.
Un peu d'histoire
En 1791, à Vienne, Wolfgang von Kempelen publie la description de sa machine parlante mécanique (soufflet, anche, « bouche » souple) pour que d'autres la reconstruisent ; d'autres inventeurs l'avaient précédé. En 1939, le Voder de Homer Dudley, aux Bell Labs, fabrique une voix électrique : des opératrices, souvent venues du téléphone, la « jouent » au clavier et au pédalier après environ un an d'entraînement. Helen Harper était réputée la meilleure.
Au MIT, Dennis Klatt met au point des synthétiseurs à formants dont descend DECtalk (1984), présenté comme un outil pour les personnes aveugles ; la voix de Stephen Hawking venait d'un appareil de la même famille. En 2016, WaveNet (DeepMind) fabrique le son échantillon par échantillon avec un réseau de neurones, 16 000 fois par seconde.
Vérifie toi-même
Les lecteurs d'écran, comme le logiciel libre NVDA, lisent à voix haute tout ce qui s'affiche, pour les personnes aveugles et malvoyantes. Et les personnes qui risquent de perdre la parole peuvent enregistrer leur voix à l'avance : une « banque de voix » permet ensuite de fabriquer une voix de synthèse qui leur ressemble.
Étape 4 : Ta voix, une donnée sensible
🟢 Découverte
Ta voix permet de t'identifier, comme ton visage. Quand tu parles à un assistant vocal, l'enregistrement part souvent sur un serveur. Et quelques enregistrements suffisent aujourd'hui pour imiter une voix.
🟡 Curieux
En 2019, des journalistes ont révélé que des humains, souvent des sous-traitants, écoutaient une petite partie des enregistrements des assistants d'Amazon, de Google et d'Apple, y compris des déclenchements accidentels. Google parlait d'environ 0,2 % des extraits, Apple de moins de 1 % : il s'agissait d'améliorer la reconnaissance. Apple a suspendu l'écoute, puis l'a rendue facultative. La CNIL rappelle que la voix est une caractéristique biométrique.
🔴 Ingénieur
Les voix clonées reposent sur la même synthèse neuronale que les voix de GPS, entraînée ou ajustée sur les enregistrements d'une personne. Pour s'en protéger, on peut convenir avec ses proches d'une question ou d'un mot de passe, et rappeler soi-même la personne sur un numéro connu.
Un peu d'histoire
En 2024, à Hong Kong, une personne employée par l'entreprise d'ingénierie Arup a viré l'équivalent d'environ 25 millions de dollars après une visioconférence où les « dirigeants » étaient fabriqués par IA ; l'entreprise a confirmé l'usage de fausses voix et de fausses images. La même année, des appels automatiques imitant la voix de Joe Biden ont incité des électeurs du New Hampshire à ne pas voter.
Qui décide ?
Aux États-Unis, le régulateur des télécommunications (FCC) a confirmé en février 2024 que les voix générées par IA comptent comme des voix « artificielles » : les appels automatiques qui les utilisent demandent un consentement préalable. Son amende de 6 millions de dollars dans l'affaire du New Hampshire sanctionnait l'usurpation du numéro d'appel ; au pénal, le consultant a été acquitté en 2025.
En Europe, le règlement sur l'IA impose, à partir du 2 août 2026, d'indiquer qu'un « hypertrucage » audio ou vidéo a été « généré ou manipulé par une IA », et de prévenir les personnes qu'elles « interagissent avec un système d'IA ». La CNIL a consacré en 2020 un livre blanc aux assistants vocaux, À votre écoute.
Idées reçues
« Une voix au téléphone, c'est une preuve. » Plus maintenant : une voix peut être imitée. En cas de demande urgente d'argent, on raccroche et on rappelle.
Les IA qui entendent et parlent, autour de toi
| Usage | Ce qu'elle fait | La question à se poser |
|---|---|---|
| Dictée, assistant vocal | transforme ta voix en texte | L'enregistrement part-il sur un serveur ? Qui peut l'écouter ? |
| Sous-titres automatiques | écrit ce qui se dit dans une vidéo | Reconnaît-elle aussi bien tous les accents ? |
| GPS, lecteur d'écran | lit un texte à voix haute | Quelle voix, et de qui vient-elle ? |
| Voix de synthèse personnalisée | redonne une voix à une personne qui la perd | Qui contrôle cette voix ? |
| Appel d'un proche qui demande de l'argent | peut être une voix clonée | Comment vérifier que c'est bien lui ou elle ? |