TTS (text-to-speech)

Le TTS (text-to-speech) est la technologie qui convertit un texte écrit en parole audible. Les voix synthétiques historiques — robotiques, monotones, immédiatement identifiables — ont cédé la place aux voix neuronales, générées par des modèles entraînés sur des heures de parole humaine : elles respectent le rythme, l'intonation et les pauses. Dans une chaîne vocale, le TTS est la brique de sortie : la reconnaissance vocale (ASR) écoute, le modèle de langage (LLM) décide, le TTS prononce.

Pour un agent téléphonique, le TTS se juge sur trois critères rarement réunis : la naturalité (une voix qu'on ne remarque plus), la latence (le temps entre la fin de la phrase du client et le début de la réponse — au-delà d'une seconde, la conversation devient inconfortable) et le comportement à l'interruption (le client parle par-dessus, la voix doit s'arrêter — le barge-in). Point de vigilance qui devient point de droit : la mention explicite que le correspondant parle à un système automatisé est exigée dans plusieurs juridictions, et l'imitation d'une voix humaine précise, elle, est interdite sans autorisation.