Dix secondes de la voix de quelqu'un suffisent à la reconstruire, et suffisent à la faire parler 13 langues. C'est la promesse que Fish Audio met en avant. La société se présente comme une plateforme vocale par intelligence artificielle, avec synthèse, clonage et reconnaissance côte à côte, le tout sur sa propre famille de modèles S2.

Pour qui veut essayer avant de payer, la réponse est dans la première colonne de la grille tarifaire : l'offre gratuite distribue 8000 crédits par mois, et l'inscription ne demande pas de carte.

Ce que l'offre gratuite achète, et où elle s'arrête

Les crédits deviennent parlants une fois convertis. 8000 crédits correspondent à environ 7 minutes d'audio généré ; une requête est plafonnée à 500 caractères ; la conversion officielle donne à peu près 600 à 625 crédits par minute produite. L'offre ajoute 3 emplacements de voix publiques et la vitesse de génération standard.

Deux lignes de cette page méritent un second regard. Le clonage de voix avancé et l'usage commercial sont barrés dans la colonne gratuite : ni l'un ni l'autre ne fait partie de l'offre. La foire aux questions le dit aussi en toutes lettres : ce que produit l'offre gratuite est destiné à des projets personnels et non commerciaux, le reste exige un palier payant. Si la voix doit finir dans un contenu qui rapporte de l'argent, mieux vaut le prévoir tôt plutôt que le découvrir à l'export.

Cloner à partir de dix secondes

Le clonage est la fonction que le produit pousse le plus fort. La page annonce que dix secondes suffisent : on dépose un court enregistrement de référence, et une voix utilisable revient en quelques secondes, sans file d'attente pour entraîner un modèle. Trois chiffres l'accompagnent. La latence en flux reste sous 300 millisecondes. Un clone vaut pour toutes les langues, et la revendication officielle est une couverture de 13 langues sans exemple préalable, sans modèle séparé ni nouvel enregistrement par langue.

Un point mérite d'être isolé. Le modèle S2 lui-même est open source, et l'auto-hébergement est une voie officiellement soutenue. Pour un travail sensible en matière de confidentialité, ou pour qui veut faire tourner l'ensemble en local, c'est une option qu'un service purement hébergé n'offre jamais.

Balises d'émotion : donner un ton à la voix de synthèse

Quiconque a pratiqué la synthèse vocale a rencontré le même mur : les mots sortent justes et parfaitement plats. La réponse de Fish Audio consiste à mettre la consigne dans le texte. L'exemple de la page produit contient [chuckle], [emphasis] et [long pause] en ligne, et le modèle traite le rire, l'accent et la pause en conséquence.

Le jeu de balises dépasse 60 entrées et se divise en deux groupes, Emotions et Special. Le premier réunit des états comme [angry], [sad] ou [whispering] ; le second des réactions plus corporelles, comme [laughing] et [sighing]. Pour une narration ou un doublage de personnage, taper l'intention dans le script coûte bien moins que de la poursuivre en post-production.

2000000 de voix, 8 langues

Si façonner soi-même un timbre paraît trop de travail, la bibliothèque est là. Le chiffre officiel dépasse 2000000 de voix, filtrables par sexe, âge, hauteur, énergie, émotion et usage, chacune avec une écoute avant de s'engager. Côté synthèse, la couverture annoncée est de 8 langues : anglais, japonais, coréen, chinois, français, allemand, arabe et espagnol.

Au-delà du doublage : le reste de la boîte à outils

La synthèse n'est que la façade. La gamme porte aussi la reconnaissance vocale, la conversion de voix, la séparation des voix, la traduction audio et la génération d'effets sonores. Pour la transcription, le site promet une prise en charge en direct avec découpage automatique des phrases, étiquettes de locuteur et horodatages, exportables en SRT, VTT ou JSON — et qui a déjà fabriqué des sous-titres sait que ces trois formats séparent le travail tout à retaper du fichier déposé directement dans le logiciel de montage. La couverture linguistique y est plus large que pour la synthèse : plus de 80 langues selon la documentation.

Comment s'empilent les paliers

Au-dessus du gratuit, trois niveaux. Plus coûte 66 dollars par an pour 250000 crédits, environ 200 minutes d'audio généré, un plafond de 15000 caractères par requête, plus le design de voix et une licence commerciale. Pro coûte 450 dollars par an pour 2000000 crédits, environ 1620 minutes, 3 sièges d'équipe et 30000 caractères par requête. Au-dessus, Max et un palier Enterprise sur devis, destiné aux organisations avec des exigences de conformité, avec des options comme l'absence de conservation des données et un déploiement sur site.

Pour qui cela vaut

Pour du doublage vidéo, des livres audio, ou tout un jeu de voix pour une distribution de personnages, le chemin est court : s'inscrire, choisir une voix ou déposer un échantillon de dix secondes, coller le script, ajouter les balises, exporter. L'enveloppe gratuite suffit à parcourir le circuit une fois avant de décider si la licence commerciale et les quotas plus larges valent le paiement.

La limite qu'il faut nommer, c'est le clone lui-même. La barre technique est basse désormais, mais mettre la voix d'autrui dans ses propres contenus touche au droit de la personnalité et au droit sur la voix, et les personnalités publiques en sont le cas le plus aigu ; la foire aux questions le signale aussi. En cas de doute, commencez par une voix dont vous détenez les droits, ou servez-vous des voix déjà sous licence de la bibliothèque.

Un outil abaisse la barre, le jugement reste où il était. Dix secondes suffisent à copier une voix ; le difficile est de décider si cette voix doit être copiée, et à quoi elle doit servir.