Conception de voix

Vue d’ensemble

Voice Design aide les créateurs à combler les lacunes lorsqu’ils ne trouvent pas la voix exacte qu’ils recherchent dans la Voice Library. Si vous ne trouvez pas de voix adaptée à votre projet, vous pouvez en concevoir une. Voice Design est particulièrement adapté à l’exploration et à l’itération rapides, et la qualité du résultat peut varier selon votre invite et votre cas d’usage. Si vous recherchez une qualité plus homogène, prête pour la production, les clones vocaux professionnels (PVC) sont actuellement les voix de la plus haute qualité sur notre plateforme. Si un PVC de notre bibliothèque répond à vos besoins, nous vous recommandons donc de l’utiliser.

Vous trouverez Voice Design dans Voix -> Mes voix -> Ajouter une nouvelle voix -> Voice Design dans l’application ElevenLabs ou via l’API.

Lorsque vous sélectionnez Générer, nous créons trois options de voix. Le seul coût lié à Voice Design correspond au nombre de crédits nécessaires pour générer votre texte d’aperçu. Vous n’êtes facturé qu’une seule fois, même si nous générons trois échantillons. Le nombre de caractères déduits est indiqué dans le champ de texte « Texte à prévisualiser ».

Après la génération, vous pourrez sélectionner et enregistrer l’une des propositions, qui occupera un de vos emplacements de voix.

Guide de rédaction des invites

L’invite est le fondement de votre voix. Elle indique au modèle le type de voix que vous cherchez à concevoir, de l’accent et du type de personnage au genre et à l’ambiance de la voix. Une invite bien rédigée peut faire la différence entre une voix générique et une voix qui correspond réellement à votre vision. En règle générale, des invites plus descriptives et détaillées donnent des résultats plus précis et nuancés. Plus vous fournissez de détails, notamment sur l’âge, le genre, le ton, l’accent, le rythme, l’émotion ou le style, mieux le modèle pourra interpréter votre demande et produire une voix intentionnelle et personnalisée.

Toutefois, des invites courtes et simples peuvent aussi fonctionner, en particulier si vous recherchez une voix plus neutre ou polyvalente. Par exemple, « Un narrateur calme » peut vous donner exactement ce dont vous avez besoin sans entrer dans les détails, surtout si vous ne cherchez pas à créer un personnage ou un style très spécifique. Le niveau de détail approprié dépend de votre cas d’usage. Concevez-vous un personnage fantastique ? Un assistant virtuel ? Une New-Yorkaise d’une soixantaine d’années, fatiguée et à l’humour pince-sans-rire ? Plus votre invite sera claire, plus le résultat se rapprochera de ce que vous imaginez.

Format d’invite recommandé

Pour obtenir des résultats homogènes, structurez votre invite selon ce format :

Native <Language>. <Gender>, <Age range>. <Quality level>.
Persona: <2–5 words>. Emotion: <2–3 adjectives>.
<1–2 sentences about timbre, pacing, delivery>

Exemple :

Espagnol natif, español europeo (sin rasgos de español latinoamericano). Femme, 35 à 40 ans. Qualité correcte. Personnalité : opératrice de support fiable. Émotion : rassurante, attentive, sûre d’elle. Timbre doux et naturel avec une intonation légère, une proximité marquée et un signal sans bruit. Communique les mises à jour à un rythme détendu en mettant clairement l’accent sur les informations utiles, avec empathie et professionnalisme.

Erreurs fréquentes à éviter

• N’utilisez pas « accent » si vous voulez dire intonation : cela peut entraîner des changements de dialecte indésirables. Décrivez plutôt l’intonation, l’accentuation ou les modes d’élocution.
• Évitez les termes d’effets audio : des termes comme « réverbération », « écho », « téléphone » ou « bande » peuvent nuire à la qualité du résultat.
• Indiquez explicitement la langue et le dialecte : précisez toujours la langue et sa variante régionale dans la première phrase afin d’éviter les dérives.

Qualité audio

La qualité audio désigne la clarté, la propreté et la fidélité globale de la voix générée. Par défaut, ElevenLabs vise à produire un audio propre et naturel. Toutefois, si votre projet exige un niveau de qualité précis, il est préférable de l’indiquer explicitement dans votre invite.

Pour obtenir des résultats de haute qualité, ajoutez à votre description vocale une expression telle que « qualité audio parfaite » ou « enregistrement de qualité studio ». Cela aide à garantir un rendu vocal d’une clarté maximale, avec un minimum de distorsion et une finition soignée.

Vous pouvez également utiliser des descripteurs de qualité précis qui donnent des résultats homogènes :

• Qualité correcte
• Bonne qualité
• Très bonne qualité
• Excellente qualité
• Qualité studio
• Qualité diffusion

Ces descripteurs contribuent à obtenir la meilleure qualité audio lorsqu’ils sont inclus dans votre invite.

Dans certains cas créatifs, une qualité audio inférieure peut aussi être intentionnelle, par exemple pour simuler un appel téléphonique, une ancienne émission de radio ou des images trouvées. Dans ces situations, n’ajoutez aucun descripteur de qualité ou incluez explicitement des expressions telles que :

• « Audio basse fidélité »
• « Mauvaise qualité audio »
• « Ressemble à un message vocal »
• « Étouffé et distant, comme sur un vieux magnétophone à cassette »

L’emplacement de cette expression dans votre invite est flexible : elle peut apparaître au début ou à la fin, ces deux positions fonctionnent bien.

Âge, ton/timbre et genre

Ces trois caractéristiques constituent le fondement de la conception de voix, en façonnant son identité globale et sa résonance émotionnelle. Plus vous fournissez de détails, plus il est facile pour l’IA de produire une voix correspondant à votre vision créative, que vous conceviez un personnage crédible, créiez un narrateur captivant ou développiez un assistant virtuel.

Âge

Décrire l’âge perçu de la voix permet de définir sa maturité, sa texture vocale et son énergie. Utilisez des termes précis pour orienter l’IA vers la qualité vocale recherchée.

Descripteurs utiles :

• « Vieil homme » / « vieille femme »
• « Jeune adulte » / « dans la vingtaine » / « début de la trentaine »
• « Homme d’âge mûr » / « femme dans la quarantaine »
• « Homme âgé » / « femme âgée » / « homme dans la quatre-vingtaine »

Ton/timbre

Désigne la qualité physique de la voix, façonnée par la hauteur, la résonance et la texture vocale. Il se distingue de l’expression émotionnelle ou de l’attitude.

Descripteurs courants de ton et de timbre :

• « Grave » / « à voix basse »
• « Doux » / « riche »
• « Rauque » / « éraillé »
• « Nasillard » / « strident »
• « Aérien » / « soufflé »
• « Puissant » / « résonant »
• « Léger » / « fin »
• « Chaud » / « moelleux »
• « Métallique » / « ferreux »

Genre

Le genre influence souvent la hauteur, le poids vocal et la présence tonale, mais vous pouvez aller au-delà de catégories simples en décrivant le son plutôt que l’identité.

Exemples :

• « Une voix féminine grave et rauque »
• « Une voix masculine profonde et résonante »
• « Un genre neutre, doux et de hauteur moyenne »

Accent

L’accent joue un rôle essentiel dans la définition de l’identité régionale, culturelle et émotionnelle d’une voix. Si votre projet dépend d’un son authentique, ancré dans le réalisme ou stylisé pour un personnage, il est indispensable d’indiquer clairement et précisément l’accent souhaité.

Le choix des termes compte : certains produisent des résultats plus homogènes. Par exemple, « prononcé » donne souvent de meilleurs résultats que « fort » pour décrire l’intensité d’un accent. Il faut procéder par essais et erreurs ; nous vous encourageons à expérimenter les formulations et à être aussi créatif et descriptif que possible.

• Exemples d’invites d’accent claires :
  • « Un homme d’âge mûr avec un accent français prononcé »
  • « Une jeune femme avec un léger accent du Sud des États-Unis »
  • « Un vieil homme avec un fort accent d’Europe de l’Est »
  • « Une femme joyeuse parlant avec un accent britannique net »
  • « Un homme jeune avec une légère intonation irlandaise »
  • « Une voix autoritaire avec un accent américain neutre »
  • « Un homme avec un accent régional australien, détendu et nasillard »

Évitez les descripteurs trop vagues comme « étranger » ou « exotique » : ils manquent de précision et peuvent produire des résultats inconstants.

Associez l’accent à d’autres caractéristiques, telles que le ton, l’âge ou le rythme, pour plus de contrôle. Par exemple : « Une vieille femme sarcastique avec un fort accent new-yorkais, parlant lentement. »

Pour les voix fantastiques ou fictives, vous pouvez proposer des accents réels comme source d’inspiration :

• « Un elfe avec un véritable accent britannique prononcé. Il est royal et lyrique. »
• « Un gobelin avec un accent rauque d’Europe de l’Est. »

Rythme

Le rythme désigne la vitesse et la cadence auxquelles une voix parle. C’est un élément clé pour façonner la personnalité, le ton émotionnel et la clarté de la voix. Il est essentiel d’être explicite sur le rythme, surtout lors de la conception de voix destinées à des cas d’usage spécifiques comme la narration, la publicité, les dialogues de personnages ou le contenu pédagogique.

Décrivez clairement à quelle vitesse la voix doit parler. Vous pouvez également décrire la sensation du rythme : régulier, erratique, délibéré ou léger. Si le rythme change, indiquez où et pourquoi.

Exemples de descripteurs de rythme :

• « Parle rapidement » / « à un rythme rapide »
• « À un rythme normal » / « parle normalement »
• « Parle lentement » / « avec un rythme lent »
• « Rythme délibéré et mesuré »
• « Étire les mots, comme si chaque mot était savouré »
• « Avec une cadence précipitée, comme si la personne était pressée »
• « Rythme détendu et conversationnel »
• « Rythme musical et cadencé »
• « Rythme erratique, avec des pauses brusques et des accélérations »
• « Rythme régulier, avec un intervalle constant entre les mots »
• « Élocution staccato »

Texte à prévisualiser

Une fois votre invite vocale bien rédigée, le texte utilisé pour prévisualiser cette voix joue un rôle déterminant dans son rendu réel. Le texte d’aperçu agit comme un script d’interprétation : il définit le ton, le rythme et l’expression émotionnelle que la voix tentera de reproduire.

Pour obtenir les meilleurs résultats, votre texte d’aperçu doit compléter la description de la voix, sans la contredire. Par exemple, si votre invite décrit « une jeune voix féminine calme et réfléchie avec un léger accent japonais », utiliser une phrase telle que « Hé ! Je ne supporte pas ce que tu as fait de cet endroit !!! » ira à l’encontre de cette intention. Le modèle tentera de concilier ce décalage, ce qui conduit souvent à des résultats peu naturels ou incohérents.

Utilisez plutôt un exemple de texte qui reflète la personnalité et le ton émotionnel visés pour la voix. Pour l’exemple ci-dessus, une phrase telle que « Ces derniers temps, c’était calme… J’ai eu le temps de réfléchir, et c’est peut-être ce dont j’avais le plus besoin. » soutient l’invite et aide à générer une voix plus naturelle et cohérente.

Nous avons également constaté que des textes d’aperçu plus longs tendent à produire des résultats plus stables et expressifs. Les phrases courtes peuvent parfois sembler abruptes ou incohérentes, surtout lors de l’évaluation de qualités subtiles comme le ton ou le rythme. Donner davantage de contexte au modèle, une phrase complète ou même un court paragraphe, lui permet de fournir une représentation plus fluide et précise de la voix.

Paramètres

Volume

Contrôle le volume de la génération Text to Preview, puis celui de la voix une fois enregistrée.

Échelle de guidage

Détermine à quel point l’invite est respectée. Des valeurs élevées respecteront plus strictement l’invite, mais peuvent dégrader la qualité audio si elle est très spécifique, tandis que des valeurs faibles laisseront davantage de liberté créative au modèle au détriment de la précision de l’invite. Utilisez une valeur faible si l’interprétation et la qualité audio sont globalement plus importantes que le respect parfait de l’invite. Des valeurs élevées sont recommandées lorsque la précision de l’accent ou du ton est primordiale.

Attributs et exemples

Exemples de prompts et aperçus de texte

FAQ