Lire un texte à voix haute
Ou collez le texte d'un sous-titre
La première exécution télécharge le modèle de voix et le phonémiseur — environ 98 Mo ensemble, servis par ce site et mis en cache par le navigateur ensuite. Le sous-titre ou le texte que vous déposez ne quitte jamais cet onglet. Choisir MP3 ou M4A télécharge 31 Mo d'encodeur en plus, d'où le choix de WAV par défaut.
Options
Une voix décide de l'accent et du timbre, et — moins évident — du système de sons avec lequel le texte est lu. Associer une voix espagnole à une phrase anglaise n'échoue pas : elle lit des mots anglais avec des sons espagnols, ce qui est pire qu'un message d'erreur. Sept langues sont proposées, pas douze, car le phonémiseur embarqué dans cette page n'a pas de voix pour le japonais ni le chinois. Écoutez un fichier court avant de vous lancer sur un long ; chaque voix utilise le même modèle, donc changer ne coûte qu'une synthèse, pas un téléchargement.
La vitesse à laquelle la voix lit, appliquée par-dessus le rythme que le modèle juge naturel. Lente est 0,8× et rapide 1,2× — volontairement modéré, car au-delà d'environ 1,5× le modèle commence à avaler des syllabes et le résultat sonne comme quelqu'un qui se précipite plutôt que comme quelqu'un qui parle vite. Quand un bloc est trop court pour sa réplique, cette page augmente d'elle-même la vitesse jusqu'à 1,4× avant de tronquer, et cette accélération se multiplie avec le réglage choisi ici.
WAV est du PCM 24 kHz mono non compressé, écrit ici sans aucun encodeur — d'où son statut de choix par défaut et le fait que rien de plus ne soit téléchargé pour lui. MP3 et M4A ont besoin du moteur vidéo de 31 Mo pour compresser, mais sortent environ dix fois plus petits : dix minutes de parole font environ 28 Mo en WAV et environ 2,8 Mo en MP3. Choisissez WAV pour écouter une voix, MP3 pour envoyer le fichier à quelqu'un.
Cette page lit un texte à voix haute. Collez un paragraphe ou déposez un fichier — un .txt, un .srt, un .vtt, n'importe lequel des douze formats de sous-titres —, choisissez une des dix voix, et récupérez un seul fichier audio contenant l'ensemble lu du début à la fin. Rien n'est minuté, car il n'y a rien à quoi se synchroniser : la sortie est une lecture continue, pas une piste construite pour se placer sous une image.
Quand le fichier déposé est un fichier de sous-titres, les codes temporels sont analysés puis écartés. Ce qui est lu est le texte de chaque bloc, dans l'ordre, réuni en paragraphes ; les retours à la ligne internes à un bloc deviennent des espaces parce qu'ils étaient des choix typographiques à l'écran, et les frontières entre blocs ne produisent rien du tout. C'est l'inverse de ce que fait la page de narration de sous-titres, et les deux pages coexistent pour que le choix soit visible plutôt que caché dans une case à cocher : l'une produit un son qui suit une chronologie, l'autre un son qui coule simplement.
Le texte est synthétisé par morceaux plutôt qu'en une seule passe. Le tokeniseur du modèle tronque silencieusement tout ce qui dépasse 510 phonèmes — un article de deux mille mots reviendrait avec ses deux premières phrases, et le fichier paraîtrait parfaitement valide. Le texte est donc découpé aux sauts de paragraphe, puis à la ponctuation de fin de phrase, puis plus finement encore pour une phrase unique qui dépasse 400 caractères, et les morceaux sont synthétisés l'un après l'autre avec une courte pause entre eux. C'est aussi là que l'annulation prend effet : la parole s'exécute dans son propre thread, donc le bouton d'arrêt la stoppe en un instant au lieu d'attendre la fin de la phrase en cours, et la page reste utilisable pendant que l'audio se fabrique.
La liste compte dix voix dans sept langues — anglais des États-Unis et de Grande-Bretagne, espagnol, français, italien, hindi et portugais du Brésil. Le japonais et le chinois ne sont pas proposés : le phonémiseur utilisé pour la prononciation n'a de voix ni pour l'un ni pour l'autre, donc une option étiquetée japonais lirait les kanji comme des lettres anglaises avec une assurance trompeuse. Environ 92 MB de modèle, soit près de 98 MB avec le phonémiseur, sont téléchargés une fois puis mis en cache ; le texte que vous collez ne quitte jamais le navigateur, ce qui compte quand le paragraphe est la lettre d'un client ou une note médicale.
Questions fréquentes
Si je dépose un .srt ici, la lecture contient-elle les codes temporels ou les numéros de bloc ?
Ni l'un ni l'autre. Le fichier est analysé par la même couche de format que les pages de conversion, et seul le texte de chaque bloc est conservé : les numéros d'index, le schéma 00:00:01,000 --> des horodatages et les balises en ligne comme <i> ou {\pos()} ont disparu avant la synthèse. Vous entendez les mots dans l'ordre où ils apparaissent. Si vous voulez que les temps soient respectés au lieu d'être écartés, utilisez la page qui narre un fichier de sous-titres en audio et place chaque bloc à son heure de début.
Le champ de texte collé peut-il recevoir un article entier, ou seulement une ou deux phrases ?
Un article entier convient, car le texte est découpé avant d'atteindre le modèle. Le contenu collé est emballé comme un fichier de texte simple et entre dans la même file qu'un fichier déposé, avec le même découpage à 400 caractères, la même barre de progression et le même bouton d'annulation. La limite pratique est la mémoire plutôt que la longueur : un long article produit un long WAV, et une heure de PCM 24 kHz mono pèse quelques centaines de mégaoctets, donc choisir MP3 vaut la peine si la lecture dépasse quelques minutes.
Pourquoi les pauses entre les phrases sonnent-elles plus longues ici que dans la narration de sous-titres ?
Parce qu'un quart de seconde de silence est inséré entre les morceaux pour empêcher des phrases consécutives de se fondre l'une dans l'autre, tandis que la page de narration place chaque ligne à l'heure exacte d'un bloc et remplit le silence que les sous-titres contenaient déjà. Ici, l'écart est fixé à 250 ms quel que soit le contenu, puisqu'il n'y a pas de chronologie à respecter. Les phrases à l'intérieur d'un même morceau sont reliées par la gestion de ponctuation du modèle, donc seules les frontières de morceau — environ tous les 400 caractères — reçoivent cette pause supplémentaire.
Quelles voix sont disponibles pour l'espagnol et le portugais, et y en a-t-il une ou plusieurs ?
Une chacune : ef_dora pour l'espagnol et pf_dora pour le portugais du Brésil, aux côtés de deux variantes anglaises des États-Unis (af_heart, af_bella), d'une autre voix américaine (am_michael), de deux voix britanniques (bf_emma, bm_george), de ff_siwis pour le français, de hf_alpha pour l'hindi et de if_sara pour l'italien. Plusieurs voix anglaises existent parce que c'est là que la narration est le plus demandée ; les autres langues en ont une pour que la liste reste assez courte pour être écoutée. Une voix fixe aussi l'accent en plus du timbre, et décide donc avec quels phonèmes d'une langue le texte est lu.
Le MP3 ou le M4A obtenu peut-il être publié comme segment de podcast ?
Techniquement oui : les deux sont des conteneurs standard encodés par une compilation locale de ffmpeg, et l'audio est en 24 kHz mono, ce qui convient à la parole et reste mince pour la musique. Éditorialement, écoutez avant de publier : le modèle clippe parfois une consonne finale, accentue bizarrement un nom propre ou lit une abréviation lettre par lettre. Rien n'est envoyé pendant ce temps et aucun filigrane ni traçage n'est intégré, mais une voix synthétique ne porte pas non plus de mention de sa nature : si votre public attend un lecteur humain, dites laquelle des deux il entend.
Que se passe-t-il si je ferme l'onglet pendant une longue lecture ?
Le travail s'arrête, comme pour toute opération de cette page. Le texte collé ou le fichier n'a jamais été envoyé, donc il n'en existe aucune copie ailleurs ; le modèle et le phonémiseur, eux, restent dans le cache du navigateur et ne seront pas retéléchargés à la prochaine ouverture. Une lecture déjà terminée reste sur votre disque si vous l'avez téléchargée, mais rien de partiel n'est offert comme fichier : un audio tronqué qui paraît complet serait plus difficile à repérer qu'une absence de fichier.