Synthèse vocale par IA

La synthèse vocale, ou TTS (text to speech), transforme un texte écrit en audio parlé. Les anciens systèmes lisaient les mots les uns après les autres, d'une voix monotone. La synthèse vocale IA moderne lit d'abord tout le passage : elle comprend quel mot accentuer, où une phrase devient une question et quand une pause fait mouche, et parle avec le souffle et le rythme d'une vraie personne.

Sur Mage, la synthèse vocale repose sur Eleven Speech, le dernier modèle d'ElevenLabs, Eleven v4. Tu colles jusqu'à 5 000 caractères, tu choisis l'une des 16 voix et tu obtiens un MP3 exactement aussi long que la lecture. Les balises audio entre crochets, comme [whispers], [laughs] ou [excited], dirigent l'interprétation sans être lues à voix haute.

Tout se trouve dans le même compte que les modèles d'image et de vidéo de Mage. Une narration peut aller directement sous une vidéo, devenir la voix d'un personnage ou passer dans l'appli Lipsync pour faire parler un portrait.

La synthèse vocale lit exactement ce que tu lui donnes : écris donc pour l'oreille. Écris ce qui doit être dit comme il doit sonner : « douze heures » plutôt que « 12 h », « l'année deux mille vingt-six » si le nombre doit être lu comme une année, et les mots en entier pour les abréviations qui ne s'épellent pas. Découpe les longues phrases en phrases plus courtes : un auditeur ne peut pas revenir en arrière.

La ponctuation est le moyen le plus simple de diriger le rythme. Une virgule est une courte respiration, un point une pause plus longue, des points de suspension une hésitation et un tiret une rupture soudaine. Un point d'interrogation change la mélodie de toute la phrase : vérifie donc que tes questions en ont bien un.

• Écris les nombres en toutes lettres quand la lecture compte
• Garde des phrases courtes et naturelles à l'oral
• Utilise des points de suspension pour les pauses et des tirets pour les ruptures
• Lis ton script à voix haute une fois avant de générer
• Découpe les très longs textes en chapitres

Les 16 voix couvrent les usages les plus courants. Pour les longues narrations et les livres audio, choisis un conteur posé comme Darian, Florence ou Sawyer. Pour l'actualité, la formation et les vidéos explicatives, une voix de présentateur nette comme Alicia ou Eldrin. Pour les pubs et les vidéos sociales, une voix dynamique et moderne comme Elowen, Jade ou Lawrence. Pour les jeux, une voix de personnage comme Kaelen.

Chaque voix parle toutes les langues prises en charge : un script en espagnol ou en japonais fonctionne donc avec n'importe laquelle. Génère les deux ou trois premières phrases avec quelques voix, compare, puis lance tout le script avec celle qui convient.

Eleven v4 lit les tags entre crochets comme des indications. [excited], [nervous], [sarcastic] et [softly] changent l'émotion ; [whispers] et [shouting] changent le volume ; [sighs], [laughs] et [gulps] ajoutent une réaction ; [door creaks] ou [applause] ajoutent un son dans la lecture. Place un tag juste avant la phrase qu'il modifie, et utilises-en un ou deux par phrase.

Les tags donnent vie aux dialogues et aux répliques de personnages, alors qu'une narration simple n'en a souvent pas besoin. Pour des voix de personnage qui doivent rester identiques dans chaque vidéo, consulte le guide du générateur de voix IA, et pour les chansons et les musiques de fond, celui du générateur de musique IA.

Les mêmes voix fonctionnent via l’API Mage : envoie le texte et une voix à POST /v1/eleven_speech/generate et récupère un MP3, facturé par blocs de 250 caractères. Le page de l'API Mage détaille les clés et les tarifs. Avec le serveur MCP Mage connecté, Claude, ChatGPT et d'autres assistants peuvent lire un script à voix haute pour toi dans le chat, après t'avoir indiqué le coût en Gems.