Panorama 2025 des outils de text-to-speech pour les médias en France

Dans le sillage du développement des smartphones, puis des offres de streaming musical ces dix dernières années, l’audio a pris une place importante dans les usages numériques. Ces nouvelles pratiques s’appliquent aussi à l’information. Les éditeurs s’y sont adaptés via différents formats et supports : podcasts de replay, podcasts natifs, enceintes connectées, et, depuis trois ans, lecture vocale automatisée de leurs articles en ligne, ou “text-to-speech”. Soit la capacité à transformer en contenu audio un article textuel.

La lecture vocale automatisée des articles de presse est d’ailleurs fortement valorisée par les jeunes audiences, une cible que les médias ont du mal à toucher et à engager sur la durée. 34 % des Français âgés de 18 à 24 ans actuellement abonnés à un ou plusieurs médias d’information expriment ainsi un intérêt marqué pour la fonctionnalité (16 % pour l’ensemble de la population), selon notre étude sur les attentes des Français envers les abonnements en ligne, réalisée avec 366 et Kantar, et publiée en novembre dernier.

Lors de notre précédent benchmark en juillet 2023, nous avions identifié plusieurs solutions de text-to-speech utilisées en France. 18 mois plus tard, l’outil Remixd, proposée par le groupe britannique Global Player et alors employé sur le site Numerama, ne l’est plus. 

Un nouvel acteur est en revanche apparu : Edisound, solution de la régie publicitaire audio éponyme, fondée en 2021 par Reworld Media avec Julien Mosse et François Pacot, qui a lancé son offre de text-to-speech à la fin du printemps 2023. Edisound a ainsi rejoint Podle, Odia, ETX Majelan, Audion, et Saooti. Tous sont français. 

Deux types de stratégie

Tous ces acteurs font reposer leurs solutions sur les grands modèles de voix pour le text-to-speech proposés sur étagère par les grandes plateformes technologiques (Microsoft, Amazon et Google). Les fournisseurs d’IA générative peuvent cependant représenter une alternative parfois plus performante. Odia indique ainsi utiliser aujourd’hui les grands LLM existants (OpenAI et d’autres). Parmi les clients de cette société : Cafeyn, Les Echos, Le Télégramme, et le groupe Challenges.

Voix de synthèse des plateformes technologiques ou LLM des fournisseurs d’IA générative, les acteurs spécialisés utilisent leurs assets et les customisent via une surcouche technologique propriétaire pour “humaniser” et enrichir les voix, activables ensuite sur les supports numériques des médias via un player audio.

Ils interviennent donc comme intermédiaires entre plateformes technologiques et éditeurs médias. La qualité finale des fonctionnalités de text-to-speech proposées par les éditeurs dépend du choix du modèle initial, de l’expertise du prestataire et du travail technique que l’éditeur est prêt à réaliser avec lui pour personnaliser son offre, l’améliorer et l’adapter à ses besoins.

Deux stratégies différentes peuvent être observées chez ces prestataires. Les acteurs dont  le cœur de métier porte sur les technologies autour de la voix et le contenu audio, comme Podle, Saooti, Odia et ETX Majelan, cohabitent avec d’autres qui sont d’abord des régies publicitaires audio, comme Audion et Edison. Ceux-là voient dans le text-to-speech un outil supplémentaire au sein d’une offre complète. “Les éditeurs se dirigent vers une stratégie audio globale et ont besoin d’un partenaire unique pour simplifier et rationaliser l’ensemble de la chaîne audio : hébergement, monétisation publicitaire audio classique, sponsoring, audio lineaire, podcast, etc. Le text-to-speech est une réponse parmi d’autres autour de l’audio numérique, et il est particulièrement utile sur les longs contenus”, explique Elodie Bui, head of publishers chez Audion. Parmi les clients de la société : 20 Minutes, Sud-Ouest, Marianne et Prisma Media.

Cela n’empêche pas l’hybridation des activités. Pour répondre aux besoins de monétisation exprimés par certains clients, Saooti, ETX Majelan, Podle et Odia mettent d’ailleurs en avant des partenariats avec des régies audio (Soundcast, Targetspot/Azerion…), ou une connexion avec elles pour leur permettre de commercialiser leurs inventaires s’ils le souhaitent. 

Une transformation des offres en cours

L’émergence et le développement rapide des technologies d’IA audio pourraient (déjà) bouleverser le secteur et les positionnements. L’accessibilité, la simplicité et la qualité de ces nouveaux outils “rendent un peu désuet le text-to-speech pure, d’autant que l’audio, certes en progression, demeure un petit marché”, estime ainsi Grégoire Gaffié, directeur monétisation et audience de Reworld Media – principal actionnaire de la structure – qui a succédé à Julien Mosse à la direction d’Edisound. 

“Le vrai sujet autour de l’audio pour les éditeurs, à mon sens, c’est la génération automatique de podcasts permise par les nouvelles technologies d’IA, avec des revues de presse, des rendez-vous d’actualité, des résumés d’actualités, etc., qui vont plus loin que la simple lecture vocale des articles plus ou moins de bonne qualité”, affirme-t-il. Reworld Media a entamé plusieurs tests en ce sens, via ChatGPT et ElevenLabs, notamment.

Des usages modestes

Chez Odia, on observe en moyenne environ 500 clics par semaine sur les articles de ses clients sur lesquels son player est affiché. “C’est surtout le taux de complétion qui est intéressant, désormais de l’ordre de 98 %, et qui tient beaucoup à la qualité vocale proposée”, indique Mathieu Capcarrere, cofondateur et directeur des opérations d’Odia.

Le taux de clic n’a guère évolué en 18 mois et demeure modeste. Il est compris entre 0,5 % et 1 %. “Parfois jusqu’à 3 à 4 %, affirme Matthieu Weider, chief sales officer d’ETX Majelan, mais la marge de progression est réelle. Il faut que les médias s’emparent davantage de la fonctionnalité.”

Cela peut s’expliquer en effet par une UX souvent pauvre dans les offres audio des éditeurs et une politique marketing quasi-inexistante autour du text-to-speech. Les éditeurs doivent mieux la promouvoir. Ce qu’a commencé à faire Les Echos à l’automne 2024, avec un onglet dédié, une playlist audio automatisée et des notifications push. Le titre a opté pour la solution d’Odia. Une partie des éditeurs doivent aussi réaliser les investissements et développements techniques nécessaires pour mettre à jour leur fonctionnalité avec les dernières générations de voix disponibles, plus qualitatives que les précédentes.

Les usages sont malgré tout suffisants pour générer des revenus publicitaires, si l’éditeur le souhaite, et ce sont des revenus incrémentaux, relèvent plusieurs interlocuteurs.

Plus de personnalisation et d’innovations

Quel futur pour les acteurs voulant se focaliser sur le text-to-speech ? Les technologies sur étagère proposées par les grandes plateformes vont continuer à s’améliorer rapidement. “La personnalisation des voix et le clonage amélioré vont également permettre d’améliorer l’expérience et offrir de nouvelles perspectives”, estime Elodie Bui (Audion), qui prend l’exemple de la personnalisation des campagnes publicitaires à grande échelle via la dynamic creative optimization (DCO). Plusieurs acteurs présentent en effet le clonage de voix comme la première étape de l’amélioration des produits, autrement dit la lecture vocale automatisée d’un article avec la voix de son auteur, après apprentissage.

C’est le cas notamment de Saaoti, société spécialisée dans les offres audio, acquise par le groupe SIPA-Ouest-France. “Cela offre un potentiel important, les technologies sont déjà efficaces. Nous travaillons sur le clonage de voix de journalistes avec Le Soir (du groupe Rossel, en Belgique, ndlr), mais aussi sur la création de voix sur mesure pour les marques et les médias ; et sur la traduction automatisée en plusieurs langues”, affirme Laurent Hué, fondateur de Saaoti et toujours directeur exécutif.

Pour convaincre davantage les médias d’investir sur l’audio et maximiser les usages, ETX Majelan veut proposer une gamme de produits globale, avec de nouvelles offres qui vont au-delà du text-to-speech : retranscription, résumé audio, composition de playlists, recommandation de contenus audio… “Nous voulons passer de la lecture vocale à la création d’expériences audio multiples pour créer des médias conversationnels”, explique Matthieu Weider. Des premiers déploiements sont prévus dans les prochains mois. Parmi ses clients actuels figurent Le Figaro, La Tribune, L’Equipe et Le Parisien, L’Express, Le Point, le groupe la Dépêche du Midi. 

Un travail autour des données et métadonnées sera indispensable chez les éditeurs pour tendre vers ce type de produits. “La prochaine étape, ce sera également d’embarquer l’audio de qualité sans connexion internet et de l’intégrer dans l’internet des objets”, estime pour sa part Mathieu Capcarrere (Odia). L’intégration de la commande vocale dans les interfaces des offres des médias, tout comme des partenariats avec des agrégateurs mondiaux pour viser l’international, sont également des pistes de travail pour les 18 mois qui viennent. 

D’ici-là, l’application, fin juin 2025, de la directive européenne sur l’accessibilité pourrait favoriser l’implémentation du text-to-speech : elle prévoit de rendre les offres numériques d’une large partie des entreprises accessibles aux personnes handicapées, par exemple en offrant aux malvoyants la lecture audio d’un contenu.