Comment les ordinateurs apprennent à parler comme des humains

L'ingénieur en informatique Tam Nguyen explique le processus par lequel les assistants numériques tels que Siri et Alexa ont acquis des voix semblables à celles des humains. L'évolution de la technologie de synthèse vocale, qui simule la production de la parole humaine, a conduit à un langage numérique de plus en plus naturel.

La technologie fonctionne en façonnant les ondes sonores. Les logiciels informatiques convertissent le texte en phonèmes, les plus petites unités sonores de la parole, qui sont ensuite assemblées en mots et en phrases. Les premières tentatives de parole mécanique ont débuté dans les années 1700 avec des appareils mécaniques produisant des sons rudimentaires. Les premiers synthétiseurs de parole électroniques sont apparus dans les années 1930, mais la parole générée par ordinateur était initialement rigide et robotique.

Les systèmes modernes utilisent l'apprentissage automatique, une forme d'intelligence artificielle. Les programmes sont entraînés en analysant des milliers d'heures de parole humaine, y compris les variations de respiration, d'émotion et de ton. Cela permet de reproduire les nuances subtiles et les caractéristiques humaines du langage parlé.

L'IA avancée peut même apprendre à imiter les modèles de parole uniques d'une personne à partir d'un court échantillon audio. Bien que la technologie de synthèse vocale offre des avantages considérables, tels que l'aide aux malvoyants ou aux personnes incapables de parler, elle présente également des risques de mauvaise utilisation, notamment les voix réalistes de deepfakes. Les chercheurs développent des outils pour identifier ces voix fabriquées.