Text-to-speech (1/2) : les outils s’installent dans le paysage média français

La synthèse vocale, c’est-à-dire la transformation de mots ou d’expressions en audio en imitant la voix humaine, s’est développée progressivement tout au long du 20e siècle avant une accélération technologique ces 20 derniers années se concrétisant par différentes applications : service aux mal-voyants et aveugles, GPS, fonctionnalités dans les smartphones, assistants vocaux et connectés…

Les progrès de l’intelligence artificielle permettent depuis trois-quatre ans d’aller encore plus loin avec les outils dédiés au text-to-speech. Ces solutions, qui prennent la forme d’un player vidéo placé en haut des articles, proposent une lecture vocale automatisée de contenus textuels. Elles s’inscrivent dans les usages. La hausse continue ces dernières années des usages audio en mobilité, y compris pour l’information, a conduit de nombreux éditeurs médias à lancer des podcasts, natifs ou en replay (l’ACPM en a effectué un bilan chiffré en avril). Les audiences audio digitales sont fortes et en progression : les podcasts totalisent 20 millions d’auditeurs mensuels, et plus largement 40 millions de Français (79 % des 15-80 ans) écoutent chaque mois au moins une fois un contenu audio en ligne, selon des chiffres de Médiamétrie//NetRatings en mai 2023.

Moins couteux à produire que les podcasts natifs

Si les usages audio progressent, les éditeurs médias ne réussissent souvent pas à monétiser correctement leurs offres, en particulier le podcast, couteux à produire et dont les audiences de chaque épisode sont souvent modestes en France ; quelques dizaines de milliers d’écoutes au mieux.

Le text-to-speech apparaît comme une aubaine pour les éditeurs de presse afin de transformer leurs articles en un nouveau format audio pour un coût modéré. Les promesses sont multiples : offrir un nouveau format éditorial pour fidéliser et/ou conquérir des audiences, développer de nouveaux inventaires publicitaires, ou encore se positionner sur l’innovation marketing.

Le Figaro, Prisma Media, Numerama, Le Point, Le Monde, Challenges, 20 Minutes, La Tribune, Brief.me, Sud-Ouest, La Dépêche du Midi, plus récemment L’Express… Nous avons identifié une quinzaine de groupes médias ayant déployé une solution audio automatisée durant ces deux dernières sur une trentaine de sites.

Ces éditeurs ont installé leur service de text-to-speech en s’appuyant essentiellement sur l’une des quatre sociétés françaises proposant un outil dédié : ETX Studio, Audion, Odia et Podle. S’y ajoute la société britannique Global Player, dont l’outil Remixd est certes utilisé par Numerama depuis avril 2021 – c’est Numerama qui l’a contactée -mais cette entreprise n’a pas d’autres client ni même d’ambitions commerciales dans l’Hexagone (consultez plus bas notre panorama des solutions et leurs clients médias).

Un apprentissage technologique essentiel

Aucune ne développe ex nihilo leur dispositif ; toutes les solutions de text-to-speech s’appuient sur les technologies neuronales des fournisseurs de synthèse vocale que sont principalement Google, Amazon et Microsoft : ce sont elles qui possèdent et entretiennent les compétences et l’infrastructure technologique pour créer les bases de la lecture vocale automatisée. Elles commercialisent ensuite sur étagère leur solution aux sociétés spécialisées de text-to-speech – mais aussi à n’importe quel individu ou société – avec une facturation au mot qui varie selon la langue parmi les dizaines proposées.

Le principal enjeu technologique porte sur la qualité vocale. Jusqu’à ces dernières années, la synthèse vocale de Google était la plus utilisée. “Mais son rendu audio en français était très mitigé pour les contenus d’actualités et ne soutenait pas l’exigence d’une écoute sur la durée, ses voix étaient robotiques et monocordes. Des progrès importants ont été réalisés depuis sur la langue française, en particulier depuis l’été 2021 par Microsoft, une solution plus fluide et plus agréable”, souligne Bertrand Boulandet, cofondateur de Podle, société qui commercialise une solution auprès des médias depuis fin 2020. Parmi ses clients : Brief.me, Tourmag et Satellifacts.

Depuis l’été 2021, c’est donc désormais la solution Speech de la suite Microsoft Azur qui est utilisée par tous les prestataires de text-to-speech français. Son coût est variable selon la langue, les API sollicitées, la finesse du rendu vocal souhaité et le volume de texte transformé. Contacté par mind Media, le service commercial mentionne, pour un forfait de 1 000 heures de lecture audio, un accès gratuit pendant 12 mois puis un tarif de 910 euros HT par mois.

Mais ce socle technologique fourni par les plateformes ne suffit pas. “Il y a ensuite tout un travail d’amélioration et d’entrainement de la voix à faire de façon humaine pour améliorer la qualité vocale et la rendre plus fluide, comme il y aussi un travail d’apprentissage de mots et de sigles précis propres aux médias pour enrichir et alimenter les bases de données que nous détenons”, explique Arthur Larray, cofondateur d’Audion. La société de technologies et de monétisation de l’audio numérique pour les médias et les marques, s’est positionnée sur le text-to-speech depuis deux ans et demi. Parmi les clients de son outil : des sites de Prisma Media, Terrafemina (Webedia), 20 Minutes, Sud-Ouest et Marianne.

Il faut un apprentissage d’au moins plusieurs centaines de phrases lues par un humain (un comédien ou un journaliste) pour améliorer la qualité de la synthèse vocale par une bonne prosodie, cet ensemble de régles spécifiques à la voix humaine : ton, intonation, rythme et débit de la voix, notamment.

Les sociétés spécialisées en text-to-speech jouent un rôle important en tant qu’intermédiaire technologique, mais elles ne sont pas un passage obligé, pour peu que le client final dispose d’une très solide équipe technique. C’est le cas du Monde, qui a agit en direct en s’appuyant lui aussi sur la suite de Microsoft. Fidèle à sa volonté de maîtriser totalement les socles techniques utilisés à chaque fois que c’est possible, c’est le seul média français identifié par mind Media à travailler en direct avec un fournisseur de synthèse vocale, sans intermédiaire, depuis le déploiement de son outil amorcé à l’automne 2022.

A noter que Google semble vouloir se positionner davantage sur ce service aux éditeurs. Selon nos informations, le groupe dont jusqu’à présent l’outil de text-to-speech n’est pas jugé suffisamment bon en langue française par les sociétés spécialisées et les éditeurs, a approché ces dernières semaines des petits sites médias français pour tester l’intégration en direct d’un service amélioré.

Des approches stratégiques différentes

Les modèles économiques comme les positionnements sont encore balbutiants, à la fois chez les prestataires technologiques et chez les médias. Audion, dont l’activité principale demeure la régie audio digitale, est la seule société française à proposer gratuitement sa solution – avec la société britannique Remixd – via un partage de revenus publicitaires dont elle assure la commercialisation. Ce qui peut parfois heurter la stratégie commerciale de l’éditeur quand il opère déjà avec une autre régie pour ses podcasts. “Notre objectif est d’associer étroitement le text-to-speech avec le podcast, explique Arthur Larrey (Audion). Les inventaires vont s’additionner et la prochaine étape consistera à linéariser les contenus audio du text-to-speech pour en faire des podcasts thématiques”.

Podle, Odia et ETX Studio privilégient eux le modèle payant, avec des outils facturés aux éditeurs plusieurs milliers d’euros pas mois. “Je ne crois pas au modèle publicitaire, le marché audio digital est trop petit et incertain. C’est plutôt un service aux éditeurs, qui, pour quelques milliers d’euros par mois, peuvent s’offrir un nouveau canal de distribution innovant”, estime Jérôme Doncieux, CEO et confondateur d’ETX Studio. Le service est d’ailleurs éligible aux aides à la presse réservées au développement et à l’innovation. ETX Studio – l’ex-agence Relaxnews – qui s’est positionné fin 2020 sur les services audio, propose son outil pour quelques milliers d’euros par mois (set-up et licences). Il y ajoute éventuellement de façon complémentaire un partage des revenus publicitaires via un partenariat avec les régies Soundcast et Targetspot/Azerion.

Des enjeux de qualité et de mobilité

Les technologies utilisés s’améliorent. Odia nous indique avoir identifié une dizaine de nouveaux outils qui offrent un rendu supérieur à celui de Microsoft. De l’avis de tous nos interlocuteurs, l’amélioration continue de la qualité vocale est la priorité du marché. “L’apport technologique des sociétés intermédiaires sera essentielle pour que le grand public utilise massivement ce type de service en ligne. Non seulement on s’adresse à des éditeurs premium, mais l’écoute audio d’un article est également très exigeante, souligne Philippe Jannet, cofondateur d’Odia. Ce qui explique pourquoi nous avons d’abord travaillé sur notre apport technologique pour avoir une qualité optimale avant de la commercialiser.” Parmi les cofondateurs d’Odia – dont les clients sont le groupe Challenges, Worldcrunch et Livres Hebdo – figure Luc Julia, spécialiste en intelligence artificielle ayant dirigé le projet Siri chez Apple, avant de superviser l’innovation chez Samsung et désormais chez Renault.

Si Audion veut positionner son offre à la fois comme instrument de nouveaux revenus publicitaires et comme outil de relinéarisation audio thématiques via des podcasts, Odia et ETX Studio travaillent à l’intégration de leurs outils dans les nouveaux services embarqués dans les prochaines voitures. Après plusieurs effets d’annonces ou projets avortés (entre 2017 et 2020 entre Challenges et Renault), différents constructeurs (Mercedes, Renault…) travaillent toujours sur ces dispositifs.

A cet effet, Odia a noué un partenariat avec le fournisseur mondial d’assistants pour automobile Cerence, tandis qu’ETX Studio discute d’un dispositif intégré avec un constructeur. “On entre à peine dans la phase de transformation industrielle de l’audio en mobilité. Le potentiel pour producteurs de contenus et éditeurs d’information est très grand”, estime son CEO Jérôme Doncieux.

________

Un tableau comparatif des sociétés spécialisées complète cet article (ci-dessous). La semaine prochaine, la deuxième partie de notre dossier dressera un premier bilan du text-to-speech pour les éditeurs d’informations.