Eleven à INTERSPEECH 2022

Retour sur l'événement

Nous revenons tout juste de la conférence INTERSPEECH de cette année, qui a été notre meilleure occasion à ce jour de présenter les développements sur lesquels nous travaillons depuis quelques mois et de recueillir des retours à leur sujet.

Nous avons beaucoup apprécié apprendre auprès des meilleurs spécialistes du domaine, échanger des idées avec eux et nouer de futures relations. Nous avons rencontré des équipes de start-up remarquables travaillant dans le même domaine que nous, notamment sur le clonage de voix, la synthèse vocale (TTS) et la conversion vocale (CV), comme Supertone et LOVO. Nous étions tout aussi enthousiastes à l'idée d'échanger avec des entreprises établies telles que Meta et Google sur le travail en coulisses nécessaire au développement de logiciels de TTS et de CV.

Nous sommes immédiatement entrés dans le vif du sujet. L'enthousiasme sincère suscité par notre travail nous a comblés, dépassant toutes nos attentes. Au cours des quatre jours suivants, nous avons discuté de nos recherches et de nos progrès dans les trois domaines des technologies vocales mentionnés plus haut. Des premières étapes absolument cruciales vers le développement de notre outil propriétaire de doublage automatique, dont nous prévoyons de lancer la version 1.0 au début de l'année prochaine.

Notre priorité était de prouver que nous pouvions cloner des voix avec fidélité, en préservant la similarité entre les données vocales sources sur lesquelles notre algorithme est entraîné et le rendu de cette même voix lorsqu'elle est générée synthétiquement. Il était également essentiel de démontrer que nos outils TTS sont en bonne voie pour intégrer une plateforme de synthèse vocale au rendu parmi les plus humains et naturels, grâce à une prosodie et une tonalité d'une grande qualité.

Le premier point est naturellement important, car les énoncés nouvellement générés doivent pouvoir être facilement identifiés comme étant prononcés par une personne donnée : nous devons préserver correctement l'identité du locuteur. La prosodie et la tonalité sont importantes, car le ton et le rythme transmettent l'intention, ce qui donne avant tout à la parole son caractère humain. L'objectif ultime est que le programme ne se contente pas de prononcer les mots avec fluidité, mais qu'il confère aussi à l'énoncé une charge émotionnelle appropriée, afin qu'il semble comprendre ce qu'il dit.

Démonstration TTS

Vous trouverez ci-dessous une démonstration TTS que nous avons utilisée pendant la conférence. Le premier lien mène à la vidéo originale, suivie de notre échantillon reprenant le même message avec une autre voix. Précisons-le, il s'agit de synthèse vocale, et non de conversion vocale. Notre seule intervention a consisté à retranscrire les mots prononcés dans la vidéo originale afin de générer la parole que vous entendez. La prosodie et l'intonation sont entièrement produites par l'algorithme, sans aucun post-traitement. Voyez si vous reconnaissez cette voix !

Vous en apprendrez davantage sur la technologie TTS d'Eleven dans notre prochain article, consacré spécifiquement à la génération de parole à partir de texte.

Si notre technologie vous plaît et que vous souhaitez devenir bêta-testeur, vous pouvez vous inscrire ici.

Original :

TTS de clonage de voix d'Eleven Labs :

Le fond avant la forme

Au cours des mois précédant la conférence, nos efforts se sont concentrés presque exclusivement sur la présentation d'échantillons concrets de notre technologie et de nos recherches propriétaires. INTERSPEECH étant une conférence de recherche, nous étions convaincus que le fond devait primer sur la forme, en particulier lors d'un événement aussi spécialisé. Le jour de la conférence, nous avons toutefois commencé à plaisanter sur le fait que notre attention accrue portée à la technologie rendait peut-être notre image de marque trop minimaliste. Nous avons vite été soulagés, voire confortés dans notre choix, en constatant que d'autres participants, y compris les grands acteurs du secteur, avaient eux aussi opté pour des installations plus modestes.

À l'année prochaine

Notre voyage en Corée a été un grand succès pour Eleven et une formidable source de motivation pour aller encore plus loin. Nous sommes déjà impatients de voir les progrès que nous pourrons accomplir au cours de l'année à venir, tant dans nos recherches que dans la manière de les présenter. Avec un peu de chance, nous disposerons alors d'outils de doublage prêts pour la production et utiliserons la voix des personnes pour leur permettre de parler les langues qu'elles ne parlent pas.