Pourquoi les voix IA hors ligne comptent

Un roman représente huit à douze heures de parole. Environ un demi-million de caractères. Ce nombre est tout l’argument, alors autant s’y arrêter d’abord.

1. Le coût cesse d’être invisible

La synthèse vocale cloud se facture au caractère. À l’échelle d’un livre, ce n’est pas une erreur d’arrondi : c’est précisément pourquoi tout service bâti dessus vend un abonnement plutôt qu’un achat. Vous payez chaque mois tant que vous lisez, ou vous faites tourner le modèle sur du matériel que vous possédez déjà et vous ne payez rien à l’heure.

Ce n’est pas un plaidoyer contre les abonnements. C’est un plaidoyer pour que la lecture, entre toutes les activités, n’ait pas de compteur.

2. Vos livres ne sont pas des données anonymes

Pour prononcer votre texte, un service cloud doit recevoir votre texte. Pour un article, c’est anodin. Pour une bibliothèque, c’est le relevé de tout ce que vous lisez, dans l’ordre, à quelle heure, et jusqu’où vous êtes allé. L’historique de lecture est singulièrement révélateur : santé, foi, politique, deuil, ce sur quoi vous vous renseigniez discrètement le mois dernier.

Et il n’y a pas que les livres. Les gens passent des contrats, des courriers médicaux et des manuscrits inédits dans des outils de lecture à voix haute. Une narration embarquée signifie que ce contenu ne quitte jamais le téléphone, une garantie qu’aucune politique de confidentialité n’égale.

3. Ça marche là où vous lisez vraiment

Métros, avions, routes de campagne, Wi-Fi d’hôtel qui redemande une connexion toutes les quatre-vingt-dix minutes. Une voix qui vit sur votre appareil démarre à la même seconde, que vous ayez cinq barres ou aucune. Une voix cloud met en tampon, hoquette en limite de couverture, et s’arrête complètement à dix mille mètres.

Il y a une version plus subtile : un moteur embarqué peut générer les prochains paragraphes à l’avance, si bien qu’un changement de chapitre ne coûte rien. Personne ne remarque quand cela fonctionne. Tout le monde remarque quand cela échoue.

4. Batterie et données, nuances comprises

La version honnête : générer la parole localement sollicite le processeur, la diffuser sollicite la radio. Ni l’un ni l’autre n’est gratuit. En pratique, un usage réseau soutenu coûte généralement plus de batterie qu’un petit modèle efficace, et la narration embarquée ne consomme aucune donnée mobile, ce qui, pour de longues écoutes, est le chiffre le plus important.

Le poids du modèle compte ici. Un moteur léger comme Piper se remarque à peine ; un plus lourd comme Kokoro demande davantage à la puce et se voit dans l’autonomie d’un téléphone ancien. Choisir entre les deux est une vraie décision, traitée dans Piper face à Kokoro.

5. Ça continue de fonctionner

Les services cloud changent. Les prix montent, les paliers gratuits ferment, les API sont abandonnées, les entreprises rachetées. Un modèle de voix posé dans le stockage de votre appli n’a aucun de ces modes de panne : il vous lira dans cinq ans exactement comme aujourd’hui, que quelqu’un maintienne encore ou non le service qui l’a inspiré.

Pour une appli de lecture, que l’on garde des années, cette stabilité vaut autant que la qualité sonore.

Ce qui a changé, techniquement

Rien de tout cela n’était possible jusqu’à récemment, et il vaut la peine d’être précis sur le pourquoi. Les modèles de parole neuronaux exigeaient un centre de données. Deux choses ont réglé cela : des architectures produisant une bonne parole avec bien moins de paramètres, et des puces de téléphone devenues réellement rapides pour ce type de travail.

Piper vient du monde open source des assistants vocaux, avec de petits modèles par voix et l’accent sur la rapidité et la couverture linguistique. Kokoro a pris l’autre chemin, en investissant davantage dans le caractère humain du résultat tout en restant assez léger pour un téléphone. À eux deux, ils couvrent l’essentiel des besoins d’un lecteur, et tous deux sont ouverts, ce qui explique qu’une appli indépendante puisse les embarquer.

Les contre-arguments honnêtes

• Les meilleures voix cloud restent supérieures. Pour l’expressivité, les voix de personnages et l’amplitude émotionnelle, un grand modèle hébergé gagne. L’embarqué a comblé l’essentiel de l’écart, pas la totalité.
• La couverture linguistique est inégale. Certaines langues ont d’excellentes voix embarquées, d’autres aucune. Les services cloud, mieux dotés, couvrent plus large.
• Les modèles prennent de la place. Chaque voix téléchargée occupe du stockage, un coût réel sur un téléphone de 64 Go.

Ce qu’il faut en conclure : pour un article ponctuel, prenez ce qui sonne le mieux. Pour votre bibliothèque, la voix devrait habiter là où habitent les livres.

À quoi cela ressemble en pratique

Lectern embarque les deux moteurs, détecte la langue du livre que vous ouvrez, propose une voix correspondante, la télécharge une fois, puis n’a plus jamais besoin du réseau. La phrase prononcée est surlignée pour que vous suiviez, l’écran reste allumé pendant la narration, et il n’y a de compte nulle part dans la chaîne.

Le point n’est pas que « hors ligne » soit une fonctionnalité. C’est qu’un livre qui vous appartient, lu par une voix qui tourne sur votre appareil, sans que personne n’en tienne registre, est exactement ce qu’était la lecture avant de devenir un service.

Questions fréquentes