Créer une voix off IA qui ne sonne pas robotique

Une voix off IA est une piste vocale générée par ordinateur qui lit votre script sur une vidéo, à la place d'un narrateur humain. Bien faite, personne ne remarque qu'elle est synthétique. Pour créer une voix off IA convaincante, quatre éléments comptent : une voix adaptée au contenu, un script écrit pour être dit et non lu, un débit autour de 150 à 170 mots par minute, et un mixage avec une musique légère et des sous-titres sous la voix.

La plupart des gens choisissent bien la voix et s'arrêtent là, puis se demandent pourquoi le résultat sonne toujours comme un robot qui lit une notice. La voix représente peut-être un tiers du travail. Les deux autres tiers, ce sont le script et le mixage, et c'est là que cet article passe le plus de temps.

C'est vrai d'une vidéo par semaine jusqu'à un calendrier quotidien sur plusieurs chaînes, le genre d'organisation qu'on appelle généralement l'automatisation YouTube. La mécanique reste la même. Ce qui change, c'est la part que vous pouvez encore faire à la main à ce rythme.

Comment fonctionnent vraiment les voix IA

Chaque voix IA vient d'un réseau de neurones entraîné sur des heures de parole d'une personne, un comédien rémunéré ou un mélange de plusieurs voix fusionnées en une nouvelle. Le modèle apprend la forme de cette voix : la hauteur, le rythme, la respiration, les petites accroches entre les mots. Donnez-lui un nouveau texte et il n'assemble pas des syllabes préenregistrées comme le faisaient les anciennes synthèses vocales des standards téléphoniques et des GPS. Il génère l'audio de zéro, trame par trame, ce qui lui permet de donner une intonation naturelle à une phrase qu'il n'a jamais vue.

Pas besoin de comprendre les mathématiques sous-jacentes pour bien s'en servir. En pratique, vous choisissez une voix dans une liste, comme vous choisiriez une police, et le modèle s'occupe du reste. Ce que vous contrôlez, et ce qui décide vraiment du rendu, c'est le script que vous lui donnez et les réglages autour, la partie que la plupart des gens survolent trop vite. Ce que nous voyons le plus souvent, ce sont deux scripts de même sens mais à la ponctuation différente qui ressortent avec un rendu différent, parce que le modèle réagit à la forme des phrases autant qu'au contenu.

Une technique plus récente, fondée sur la même technologie, est le clonage de voix : donnez au modèle un court échantillon, parfois cinq secondes, parfois une minute, et il peut générer de nouvelles phrases avec cette voix. C'est un vrai outil, et c'est aussi la partie de ce domaine la plus encadrée par des règles, nous y revenons plus bas.

La même approche neuronale gère désormais des dizaines de langues, et de plus en plus de modèles le font au sein d'un seul système plutôt qu'avec un modèle par langue. Un script écrit en français peut donc ressortir en espagnol, en hindi ou en japonais avec un caractère vocal proche, même si sonner proche ne garantit pas de sonner bien.

Choisir la bonne voix

Choisissez la voix avant de toucher au rythme ou au script, car elle fixe un plafond pour tout le reste. Quatre critères décident si une voix convient : le genre, l'âge apparent, l'accent et l'énergie.

• Le genre : accordez-le au ton du contenu, pas à votre propre voix ni à l'image de votre chaîne. Un récap de true crime posé et un déballage de produit survolté appellent souvent des choix opposés, et aucun n'est une règle, juste un point de départ à tester.
• L'âge apparent : les voix qui semblent jeunes conviennent aux récaps rapides et aux contenus tendance, les voix plus mûres ou plus chaleureuses aux vidéos explicatives, aux documentaires et à tout ce qui doit inspirer l'autorité.
• L'accent : un accent neutre est le plus largement compris, mais un vrai accent régional peut rendre un storytime ou un contenu local plus précis et moins générique.
• L'énergie : une voix naturellement plus vive porte mieux une accroche de 30 secondes qu'une voix plate, mais cette même vivacité fatigue sur une vidéo explicative de 15 minutes.

La plateforme compte autant que le type de contenu. Une voix qui démarre fort dès les deux premières secondes marche mieux sur TikTok et les Shorts, où l'algorithme comme le spectateur décident vite. Une voix plus posée et moins énergique tient mieux l'attention sur une vidéo YouTube de 10 minutes, où il s'agit de rester agréable longtemps, pas de surprendre quelqu'un pour qu'il arrête de faire défiler.

Ne validez pas une voix sur le seul extrait d'aperçu. Un échantillon de 10 secondes sonne presque toujours mieux qu'un script complet, parce qu'il évite les phrases qui révèlent les faiblesses d'une voix, comme les chiffres ou un nom mal prononcé. Générez une minute complète de votre vrai script avec deux ou trois voix avant d'en choisir une pour toute la vidéo, surtout si vous êtes en train de lancer une chaîne faceless et ne savez pas encore à quelle voix votre audience réagit.

Associer une voix à votre contenu

Voici un point de départ pour sept types de contenus courants. Considérez-le comme un réglage par défaut, pas comme un règlement, et changez n'importe quelle ligne dès que vos propres tests disent autre chose. Les débits sont mesurés sur l'anglais, en français le nombre de mots par minute peut légèrement varier, alors fiez-vous aussi à votre oreille.

Remarquez que le débit varie davantage que le caractère de la voix. Un documentaire et un script de motivation veulent tous deux une voix chaleureuse et grave, mais le script de motivation doit encore ralentir aux moments qui comptent.

Écrire un script qui sonne oral

Un script écrit pour être lu ne ressemble en rien à un script écrit pour être entendu. Quand vous lisez un paragraphe, vos yeux peuvent revenir en arrière si vous perdez le fil. Quand vous écoutez, vous n'avez qu'un passage, donc chaque phrase doit porter du premier coup.

• Faites des phrases courtes. Si une phrase a besoin de trois virgules pour tenir, ce sont deux phrases.
• Utilisez les tournures de l'oral. « On » plutôt que « nous », « c'est » plutôt que « il s'agit de » : cela sonne comme une personne. Les tournures très écrites sonnent comme une note de service, sauf si vous voulez ce registre formel exprès, par exemple pour un script d'actualités.
• Une idée par phrase. Mettez deux idées dans la même phrase et la voix IA, comme un lecteur humain, doit deviner où placer l'insistance.
• Lisez-le à voix haute avant de générer quoi que ce soit. Si vous butez sur une phrase en la lisant vous-même, la voix IA butera aussi, simplement plus poliment.

Les scripts qui passent le test de la lecture à voix haute sonnent presque toujours mieux que ceux peaufinés uniquement sur la page, même avec exactement la même voix. Si vous partez d'une page blanche, notre générateur de scripts vidéo IA suit la même idée : d'abord des phrases courtes et orales, ensuite la finition.

Mettre en forme un script pour que l'IA le lise bien

Au-delà de la longueur des phrases, quelques éléments précis piègent régulièrement un moteur de synthèse vocale. Aucun n'est difficile à corriger une fois qu'on sait quoi chercher.

Rien de tout cela n'est nécessaire au premier jet. Écrivez naturellement, générez une première version, puis revenez corriger uniquement les phrases qui sont mal sorties. La question qu'on nous pose le plus souvent sur les scripts, c'est pourquoi un nom ou un sigle est sorti déformé. L'écrire une fois en phonétique règle presque toujours le problème.

Rythme et pauses

En anglais, la plupart des conversations se situent autour de 150 à 170 mots par minute, et c'est un bon réglage par défaut pour la plupart des voix off IA. Les lectures plus rapides conviennent aux contenus survoltés et aux comptes à rebours, où l'énergie compte plus que la clarté. Les lectures plus lentes conviennent à tout ce qui contient un chiffre, un nom ou une consigne que le spectateur doit retenir, car la compréhension chute dès que le débit dépasse la capacité de l'auditeur à traiter ce qu'il vient d'entendre. Un débit de 162 mots par minute est un réglage intermédiaire assez sûr si vous ne voulez pas y réfléchir à chaque vidéo.

La ponctuation est votre outil de rythme, puisque le modèle lit les pauses à partir d'elle et non à partir d'indications séparées. Une virgule donne un temps court. Un point donne un vrai temps. Un saut de paragraphe, quand votre outil le respecte, donne la pause la plus longue possible avant de devoir retoucher à la main. Si une phrase a besoin d'une seconde entière de silence avant la chute, c'est généralement le signe qu'il faut terminer la phrase précédente à cet endroit plutôt que d'essayer d'obtenir un silence plus long à coups de ponctuation.

Réglages d'insistance et d'émotion

Certains outils vous donnent un contrôle direct sur la façon dont une voix interprète une phrase : des curseurs de stabilité et d'expressivité, un réglage d'intensité du style, ou des indications entre crochets comme un aparté chuchoté ou un rire. Quand ces réglages existent, les petits ajustements vont plus loin que les grands. Poussez l'expressivité trop haut et une voix qui paraissait assurée commence à paraître instable.

Quand un outil ne propose pas ces réglages, le script lui-même vous donne beaucoup de marge. La ponctuation et la structure des phrases font une grande partie du travail émotionnel : une phrase courte après une longue sonne comme une arrivée, un point d'interrogation change la forme de toute la phrase, et un mot seul sur sa ligne pèse généralement plus que le même mot noyé au milieu d'une phrase.

Ce qu'il faut éviter

Évitez tout ce qui ressemble à une didascalie tapée directement dans le texte parlé, comme écrire « (rires) » en guise d'instruction. La plupart des voix l'ignoreront ou, pire, le liront à voix haute.

Voix off multilingues et pièges de la traduction

Une voix IA multilingue peut réellement parler espagnol, hindi, japonais et une douzaine d'autres langues, souvent en gardant le même caractère vocal partout. C'est une vraie capacité, et elle contribue beaucoup à rendre réaliste, pour un petit créateur, la conquête d'une audience dans d'autres langues.

Les pièges sont presque toujours dans la traduction. Un script traduit mot à mot devient souvent plus long ou plus court que l'original dans la langue cible, ce qui casse tout le minutage construit autour. Les expressions idiomatiques traduites littéralement deviennent absurdes. Les registres formel et informel comptent davantage dans certaines langues qu'on ne l'imagine (le choix entre tu et vous en français en est un bon exemple), et choisir le mauvais peut rendre un script amical guindé, voire impoli. Les nombres, les unités et les devises doivent être convertis et pas seulement traduits, sinon vous vous retrouvez avec un script qui parle de miles dans un pays qui compte en kilomètres.

Si vous testez une nouvelle langue, générez d'abord un court passage et faites-le vérifier par une personne dont c'est la langue maternelle avant de vous lancer dans un script complet. Nos outils gratuits de synthèse vocale en espagnol et de synthèse vocale en hindi permettent d'entendre rapidement une langue avant de construire toute une voix off autour.

Ce que permet le clonage de voix

Le clonage de voix part d'un court enregistrement d'une vraie voix, généralement la vôtre, et permet à un modèle de générer de nouvelles phrases que vous n'avez jamais prononcées. Pour un créateur solo, c'est un vrai outil : enregistrez cinq minutes une fois, et vous pouvez modifier un script à minuit sans rien réenregistrer.

Ne clonez que votre propre voix, ou une voix que vous avez l'autorisation écrite et explicite d'utiliser. Cloner une célébrité, un autre créateur ou n'importe qui sans son consentement enfreint les règles de presque toutes les plateformes et, selon l'endroit où vous et cette personne vivez, peut aussi poser un problème juridique. C'est aussi le genre de raccourci qui met fin à une chaîne plutôt que de la faire grandir.

Le risque juridique et le risque vis-à-vis des plateformes sont réels, mais il existe une raison plus simple de rester dans les clous : une voix clonée sans autorisation sonne généralement faux pour quiconque connaît la vraie personne, ce qui ruine tout l'intérêt d'utiliser une voix naturelle.

Mixer voix, musique et sous-titres

Une voix off ne sonne finie qu'une fois placée dans un vrai mixage : la voix au-dessus, la musique bas en dessous, les sous-titres synchronisés sur ce qui est réellement dit. Si un seul de ces éléments est raté, il défait les deux autres.

Des niveaux qui marchent à chaque fois

Comme point de départ, gardez la musique de fond environ 12 à 18 décibels sous la voix, plutôt vers 15 si le morceau contient des voix qui débordent. Baissez-la encore sous toute phrase qui porte une information vraiment importante. Si vous pouvez fredonner la musique pendant que la voix parle, elle est trop forte. Si la vidéo semble complètement silencieuse entre les phrases, c'est probablement la musique qui est trop basse, pas le rythme.

Les sous-titres doivent suivre les mots exacts au moment exact où ils sont prononcés, pas une paraphrase approximative qui arrive trois mots trop tard. La plupart des outils qui génèrent une voix off IA peuvent aussi générer un minutage mot par mot pour piloter automatiquement les sous-titres. Cela vaut la peine même si vous écrivez d'habitude vos sous-titres à la main, car vous évitez de tout resynchroniser à chaque modification d'une phrase.

Le volume doit aussi être vérifié par rapport à la plateforme, pas seulement dans votre casque. Un mixage équilibré sur de bonnes enceintes peut sonner nettement trop bas sur un téléphone dans une pièce bruyante, alors une dernière écoute à faible volume sur un haut-parleur de téléphone révèle des problèmes qu'un équipement de studio masque.

Les erreurs qui rendent une voix off artificielle

• Des scripts en pavé. Un script écrit en trois longs paragraphes sans respiration naturelle sonne exactement comme ça à voix haute : plat, précipité, épuisant à écouter.
• Un débit inadapté au contenu. Un documentaire à 200 mots par minute sonne comme une mention légale. Une vidéo survoltée à 130 mots par minute sonne comme si elle cherchait à gagner du temps.
• Une voix mal assortie. Une voix vive et jeune qui lit une vidéo sérieuse sur la finance, ou une voix grave et autoritaire qui lit un récap de mèmes, casse la confiance avant même que le contenu ait sa chance.
• Pas de sous-titres, ou des sous-titres qui dérivent. Une voix off que personne n'entend pourrait aussi bien ne pas exister, et une grande partie des vidéos courtes sont regardées sans le son pendant les premières secondes. La dérive est le même problème sous une autre forme : des sous-titres en retard de deux phrases sur la voix donnent une impression de bug, même avec le son.
• Une interprétation monocorde. Une voix générée avec le même réglage plat pour chaque phrase, sans différence entre l'accroche d'ouverture et la pensée de conclusion, fatigue même quand chaque phrase, prise isolément, sonne bien.
• Sauter le test de la lecture à voix haute. Presque chaque phrase IA maladroite vient d'une phrase que l'auteur n'a jamais dite à voix haute avant de la générer.

Ce qu'il faut attendre des outils de voix off IA gratuits

Pas besoin d'un compte payant pour savoir si une voix off IA convient à votre chaîne. Générez gratuitement quelques phrases, réécoutez-les sur vos propres haut-parleurs, et décidez avant de dépenser quoi que ce soit. Attendez-vous à une liste de voix plus courte que la bibliothèque complète, à un plafond de génération quotidien et à des modèles de voix standard plutôt que premium. Certains outils ajoutent aussi un petit filigrane aux exports vidéo, mais les exports audio seuls en sont généralement dépourvus.

La version gratuite convient très bien pour tester une voix, un script ou une langue avant de vous engager. Elle devient limitante une fois que vous publiez chaque jour et avez besoin d'une voix clonée, de scripts plus longs ou d'exports sans filigrane. À ce stade, une offre payante se rentabilise vite, surtout pour un générateur de vidéos IA complet qui crée aussi les images et les sous-titres.

Créer une voix off dans un créateur de vidéos

Voici l'enchaînement concret pour créer une voix off IA dans un créateur de vidéos, du script vierge au mixage final.

1. 1Écrivez d'abord le script, seul, avant d'ouvrir le moindre outil. Lisez-le une fois à voix haute et corrigez tout ce sur quoi vous butez.
2. 2Mettez en forme les passages délicats : nombres en toutes lettres, noms difficiles en phonétique, phrases longues coupées en deux, en vous servant du tableau de mise en forme ci-dessus comme check-list.
3. 3Choisissez une voix adaptée à votre type de contenu (documentaire, classement, storytime et les autres appellent des choix différents, vus plus haut) et réglez le débit, généralement 150 à 170 mots par minute sauf si votre contenu demande plus rapide ou plus lent. Une chaîne study with me veut généralement le bas de cette fourchette, avec une voix presque sans énergie.
4. 4Générez une première version et écoutez-la en entier une fois avant de modifier quoi que ce soit. Notez les deux ou trois phrases qui sonnent faux plutôt que de corriger chaque détail au fil de l'eau.
5. 5Ajoutez une musique de fond sous la voix, gardez-la discrète, et laissez les sous-titres se générer à partir du même audio pour qu'ils restent synchronisés automatiquement.
6. 6Exportez et regardez le résultat sur la plateforme où vous publiez, car un mixage qui sonne juste au casque peut sonner différemment sur un haut-parleur de téléphone.

Si vous voulez essayer sans rien installer, notre outil gratuit de synthèse vocale pour YouTube et notre générateur de voix TikTok vous permettent tous deux de générer et télécharger une voix off IA en quelques minutes.

Notre page voix off IA détaille les voix, les langues et les réglages si vous voulez approfondir la narration avant de passer aux images. Lisez-la une fois, choisissez une voix, et générez votre première vraie version aujourd'hui au lieu de repousser encore d'une semaine.