Clonage vocal par IA

Le clonage vocal crée de nouvelles paroles avec le son d’une voix précise : sa hauteur, son grain, son accent et sa façon de former les mots. Les anciens systèmes demandaient en général de longs enregistrements en studio et une phase d’entraînement. Beaucoup de modèles actuels partent d’un court extrait de référence : ils écoutent quelques secondes de la voix et disent un nouveau texte avec une voix qui lui ressemble.

Sur Mage, une voix clonée commence par une référence audio. Tu importes un MP3 ou un WAV, tu choisis une création ou un son enregistré, ou tu colles un lien audio ou de réseau social, tu indiques où l’extrait commence, et Mage conserve jusqu’à 15 secondes sous un @handle. Mentionne ce handle dans un prompt Seed Audio, et il dit ton texte avec cette voix, en MP3, exactement à la durée que tu as définie. Il n’y a aucune étape d’entraînement : l’extrait est relu à chaque utilisation.

La même voix passe aussi à la vidéo. Enregistre un extrait comme voix d’un personnage, et Cherry, Raspberry, Plum, Lemon et MiniMax-H3 l’utilisent chaque fois que ce personnage parle ; Cherry, Plum, Lemon, MiniMax-H3 et Blueberry acceptent aussi des références audio dans un prompt vidéo. Ne clone que ta propre voix, ou une voix que tu as clairement l’autorisation d’utiliser.

Le modèle copie ce qu'il entend, y compris la pièce. Un extrait enregistré dans une cuisine avec de l'écho ressortira avec un son de cuisine. Enregistre dans une petite pièce avec des tissus et meubles moelleux, à une ou deux largeurs de main du micro, sans musique, télévision ni autres voix en arrière-plan. Un mémo vocal sur téléphone dans un placard silencieux vaut souvent mieux qu'un bon micro dans une pièce vide.

Parle comme tu veux que la voix sonne ensuite. Une lecture calme et régulière donnera une narration posée ; une lecture animée donnera de l'énergie. Prévois dix à quinze secondes de parole continue avec quelques phrases différentes, pour que le modèle entende une variété de sons, et évite les longues pauses, la toux et les rires.

Si ta meilleure prise se trouve dans un enregistrement plus long, importe tout le fichier et règle le point de départ sur les 15 secondes les plus réussies. La voix d'un personnage conserve 10 secondes : pour un personnage, choisis donc les 10 secondes qui lui ressemblent le plus.

• Un seul locuteur, une pièce calme, pas de musique.
• Dix à quinze secondes de parole continue.
• Lis sur le ton que tu veux obtenir.
• Utilise le point de départ pour choisir le meilleur passage.
• Garde un niveau stable : pas de saturation, pas de chuchotement.

Dans Seed Audio, mentionne la voix par son @handle, mets les mots exacts entre guillemets et décris la diction et l'espace : « @ana-voice, chaleureuse et posée, près du micro dans une pièce calme, dit : … ». Le handle apporte le timbre de la voix ; la description façonne l'interprétation.

Choisis la durée avant d'écrire. Seed Audio renvoie exactement la durée que tu choisis, 5, 10, 30, 60 ou 120 secondes, en complétant ou en coupant si besoin : adapte donc le texte. À un rythme naturel, on dit deux à trois mots par seconde, soit 20 à 30 mots pour une réplique de 10 secondes. Le débit, le volume et la hauteur sont des réglages à part si la lecture a besoin d'un coup de pouce.

Une génération Seed Audio accepte soit jusqu'à trois références audio, soit une référence image, mais pas les deux. Pour mettre en son une scène à partir d'une image, lance-la sans la voix, puis ajoute la voix dans un clip séparé.

• Mentionne le @handle avant la réplique.
• Mets les mots exacts entre guillemets.
• Décris la diction et la pièce.
• Choisis d'abord la durée, puis adapte le texte.

Le plus simple, c'est la voix de personnage. Quand tu crées ou modifies un personnage, ouvre Voix du personnage et importe un MP3 ou un WAV (les 10 premières secondes à partir de ton point de départ sont conservées), ou génère-en une à partir de l'image du personnage avec une description facultative, dont le prix en Gems est indiqué sur le bouton. Ensuite, Cherry, Raspberry, Plum, Lemon et MiniMax-H3 l'utilisent chaque fois que ce personnage parle, sauf si tu désactives les voix de personnage. Le guide générateur de personnages IA explique comment enregistrer des personnages.

Tu peux aussi mentionner une référence audio directement dans un prompt vidéo. Cherry, Plum et MiniMax-H3 en acceptent jusqu'à trois, Lemon jusqu'à cinq et Blueberry une seule, et les voix de personnage comptent dans la même limite. Cherry exige au moins une image dans le prompt, comme un personnage ou une référence, quand tu joins de l'audio.

Pour une réplique qui doit être exacte, génère-la avec la voix clonée dans Seed Audio, puis ouvre Lipsync avec un portrait ou un personnage enregistré et jusqu'à 15 secondes de cet audio. Le guide photo parlante IA présente tout le processus.

Ne clone que ta propre voix ou une voix que tu as clairement l'autorisation d'utiliser. Imiter une personne réelle sans son consentement est interdit sur Mage, et les règles de la communauté interdisent d'usurper l'identité d'amis, de célébrités, de personnalités publiques ou de marques à des fins nuisibles, ainsi que tout contenu illégal là où tu vis. Si quelqu'un te demande de supprimer une création où il apparaît, supprime-la.

Obtiens une autorisation écrite et sois précis : de qui est la voix, ce qu'elle dira, où elle apparaîtra, si l'usage est commercial et pour combien de temps. Le contrat d'un comédien de doublage doit mentionner explicitement l'usage de voix synthétique ; une autorisation d'enregistrement générale ne le couvre souvent pas.

La loi va dans le même sens. Aux États-Unis, la FCC a jugé en février 2024 que les voix générées par IA sont « artificielles » au sens de la loi sur les appels automatisés : en utiliser une dans un appel automatisé sans consentement est donc illégal. Et l'ELVIS Act du Tennessee, en vigueur depuis juillet 2024, interdit d'utiliser l'IA pour imiter la voix d'une personne sans son autorisation. Cette page ne constitue pas un avis juridique ; renseigne-toi sur les règles du pays où tu publies.

Les fournisseurs de modèles vidéo filtrent aussi l'audio. Une génération peut être refusée si un extrait contient de la musique protégée par le droit d'auteur ou la voix d'une personne réelle, et une génération refusée est remboursée.

• Ta propre voix : fonce.
• La voix de quelqu'un d'autre : autorisation écrite d'abord.
• Personnalités publiques et célébrités : pas sans licence.
• Jamais pour tromper : pas de faux appels, de faux témoignages ni de fausses déclarations.
• Indique qu'une voix réaliste est synthétique quand une plateforme le demande.

Clone une voix quand le locuteur doit être une personne précise : toi, un comédien de doublage qui a donné son accord, ou un personnage que tu as déjà doublé. Quand n'importe quelle bonne voix fait l'affaire, les voix prédéfinies sont plus rapides : la synthèse vocale IA lit jusqu'à 5 000 caractères avec l'une des 16 voix ElevenLabs, et le guide générateur de voix IA explique comment diriger une lecture avec des balises audio et décrire une nouvelle voix dans un prompt.

Eleven Speech ne clone pas les voix sur Mage : il parle uniquement avec ses voix prédéfinies. Le clonage passe par Seed Audio et par les modèles vidéo qui lisent les références audio et les voix de personnage. Les développeurs peuvent tout faire via l'API de génération audio.