Une même phrase peut rassurer, inquiéter ou faire sourire. Tout dépend de la manière dont elle est prononcée. Avec Gemini 3.8 Flash TTS, présenté le 23 septembre 2026, Google entend donner davantage de relief à la parole artificielle : création de voix, reproduction autorisée d’un timbre et interprétation expressive des textes sont au programme.
Mais que peut-on réellement en faire ? Et quelles précautions faut-il prendre avant de confier sa voix à une machine ? Derrière la prouesse, plusieurs distinctions méritent d’être comprises.
Gemini 3.8 Flash TTS, qu’est-ce que c’est ?
TTS signifie Text-to-Speech, autrement dit « conversion du texte en parole ». Le principe consiste à fournir un texte au système pour obtenir un enregistrement audio. La documentation de Google distingue cette fonction de son API Live : la première sert à restituer un script, tandis que la seconde vise les échanges interactifs et moins prévisibles.
Google propose deux déclinaisons :
- Gemini 3.8 Flash TTS, orienté vers la finesse d’interprétation, la fidélité vocale et les narrations exigeantes ;
- Gemini 3.8 Flash-Lite TTS, privilégiant la rapidité et l’efficacité économique pour les productions en volume.
Imaginez deux projets : une fiction sonore où chaque hésitation compte, et plusieurs centaines de courtes annonces informatives. Le premier invite à privilégier la subtilité ; le second, la régularité et le coût. Voilà une manière simple de comprendre leur positionnement.
Créer une voix et cloner une voix : deux démarches différentes
Inventer un personnage sans enregistrer de comédien
La fonction Voice Design permet de décrire une identité vocale en langage courant : timbre, accent, âge apparent ou manière habituelle de parler. Le profil obtenu peut ensuite être conservé et réutilisé. Il ne nécessite pas d’enregistrement vocal de référence.
Pour un conte destiné aux enfants, voici un exemple de consigne à essayer :
« Une narratrice au timbre chaleureux, avec une légère gravité, une diction claire et un enthousiasme discret. Éviter le ton publicitaire. »
L’intérêt de cette approche est de réfléchir comme un directeur artistique. Cherchez-vous une voix qui inspire confiance ? Qui suscite la curiosité ? Qui accompagne sans accaparer l’attention ?
Mon conseil : commencez avec quelques caractéristiques cohérentes. Une voix « très rapide, méditative, exubérante et presque endormie » risque surtout de traduire un brief indécis.
Reproduire une voix existante avec son consentement
Le clonage vocal suit une autre logique : partir d’un enregistrement pour reproduire les caractéristiques d’une personne.
La documentation technique précise que la création d’une voix répliquée exige deux enregistrements humains provenant du même adulte :
- Un extrait de référence de 10 à 30 secondes, avec une parole naturelle et propre.
- Un enregistrement distinct dans lequel cette personne prononce la déclaration de consentement demandée.
La formule « cloner une voix en 30 secondes » mérite donc une nuance : elle décrit la brièveté de l’échantillon, pas l’intégralité de la procédure.
Disposer d’un extrait sonore ne suffit pas à remplir les conditions techniques annoncées par Google. La vérification du consentement fait partie du processus.
Une synthèse vocale qui travaille l’interprétation
Une voix ne se résume pas à son timbre. Elle possède aussi une prosodie : la façon dont s’organisent son rythme, ses intonations et ses accents d’insistance.
Gemini permet de guider le style d’une intervention et d’ajouter des événements ponctuels, comme une pause, un rire ou un soupir. Dans l’API, les indications générales d’interprétation sont séparées du texte à prononcer.
Prenons cette phrase :
« Je pensais que tu viendrais. »
Pour tester différentes intentions, on pourrait proposer :
- La déception retenue : une voix basse, sans dramatisation excessive.
- Le soulagement : une entrée hésitante, puis une fin plus chaleureuse.
- Le reproche : une insistance sur « tu », suivie d’un silence.
Ces exemples sont des pistes de direction, pas des résultats garantis. L’objectif est de transformer une intention abstraite « davantage d’émotion » en indications que l’on pourra ensuite évaluer à l’écoute.
Un bon exercice consiste à produire plusieurs versions du même passage, puis à se demander : laquelle aide réellement à comprendre le message ? L’interprétation la plus démonstrative n’est pas nécessairement la plus juste.
Langues, accents et bibliothèque vocale : quelles possibilités ?
La fiche Google Cloud de Flash TTS indique 130 langues prises en charge, contre 101 pour Flash-Lite TTS. Elle mentionne également 30 voix prédéfinies et une bibliothèque étendue de plus de 2 000 voix, auxquelles s’ajoutent les profils créés ou répliqués.
Pour un projet francophone, je recommande toutefois de ne pas s’arrêter au nombre de langues annoncé. Préparez un petit texte d’essai contenant :
- des noms propres ;
- des dates et des montants ;
- quelques sigles ;
- une phrase interrogative ;
- un passage avec le vocabulaire particulier de votre activité.
Par exemple, une formation informatique pourrait tester la lecture de « SQL », « interface utilisateur » et d’un nom de logiciel. Un audioguide gagnerait à vérifier les noms de lieux.
Le bon critère n’est pas seulement “le français est disponible”, mais “ce français convient-il à mon public et à mon contenu ?”
Des dialogues à deux voix, avec une limite à connaître
La documentation actuelle prévoit jusqu’à deux interlocuteurs dans une même requête, avec des voix prédéfinies. Pour réunir des voix personnalisées ou clonées dans un dialogue, elle demande de générer les interventions séparément.
Cette précision compte : créer deux profils vocaux ne signifie pas nécessairement pouvoir les placer ensemble dans un unique appel à l’API.
Exemple : expliquer un concept par la conversation
Voici une idée de capsule pédagogique :
Léa : « Pourquoi mon mot de passe ne doit-il pas être réutilisé ? »
Malik : « Imagine qu’une seule clé ouvre ton appartement, ton bureau et ton garage… »
Ce format pourrait servir à mettre en scène les questions d’un débutant et les réponses d’un formateur. Je conseillerais des interventions courtes, une question à la fois, puis un résumé final.
Pour les contenus longs, Google annonce une meilleure stabilité des voix. Il faut néanmoins distinguer cette ambition de continuité des limites de chaque requête : la fiche Cloud impose notamment des plafonds d’entrée et de sortie. Un livre audio complet reste un projet à préparer, découper et contrôler, plutôt qu’une génération à considérer comme automatiquement illimitée.
Où accéder à ces fonctions ?
Les canaux documentés comprennent :
- Google AI Studio et l’API Gemini pour les deux modèles ;
- Gemini Notebook pour Flash TTS ;
- Google Vids pour Flash-Lite TTS.
Attention aux restrictions géographiques du clonage
L’annonce de lancement exclut la réplication vocale dans AI Studio dans les territoires suivants : Espace économique européen, Royaume-Uni, Suisse, Inde, Illinois et Texas. Cette restriction porte sur la réplication vocale dans cet outil ; elle ne doit pas être présentée comme une interdiction générale de toute synthèse vocale Gemini.
Des résultats prometteurs, mais pas une perfection démontrée
Google rapporte une première place de Flash TTS au Voice Design Benchmark de Hume AI, avec un score global de 71,4 et un score de 60,8 pour la modélisation des accents. Ces chiffres sont ici ceux relayés par Google dans son annonce, et non les résultats d’un test indépendant.
Pour choisir un outil, je privilégierais une comparaison sur vos propres scripts :
- La voix reste-t-elle agréable après dix minutes ?
- Les mots importants sont-ils intelligibles ?
- Le ton respecte-t-il le sujet ?
- Combien de passages faut-il régénérer ?
- Le résultat convient-il à une écoute sur téléphone ?
Un classement peut orienter une première exploration. Il ne remplace pas votre exigence éditoriale.
SynthID et C2PA : comprendre les protections sans les surestimer
Google associe la réplication vocale à la vérification du consentement, au marquage SynthID et aux justificatifs de provenance C2PA.
Ces dispositifs ne remplissent pas le même rôle.
SynthID insère un filigrane numérique imperceptible dans le contenu. Il sert à aider les outils compatibles à identifier une production issue de l’IA. Google le présente comme conçu pour résister à diverses modifications courantes de l’audio.
C2PA organise des informations vérifiables sur la provenance d’un fichier et son historique. Mais connaître l’origine d’un contenu ne prouve pas que ce qu’il raconte est vrai. L’organisme précise aussi que les métadonnées peuvent être retirées, même si des mécanismes de récupération existent.
Autrement dit, ces protections apportent des indices utiles, pas une garantie universelle contre la tromperie.
Pour une publication responsable, je recommande d’ajouter une mention compréhensible, par exemple :
« Narration générée par intelligence artificielle à partir d’un texte vérifié par notre rédaction. »
Et lorsqu’une personne prête sa voix, je conseille de clarifier en amont les usages envisagés, la durée du projet et les modalités de validation des contenus.
Trois idées pour commencer sans brûler les étapes
1. Transformer un article en capsule audio
Choisissez un texte court que vous avez rédigé. Adaptez les phrases à l’oral, puis comparez une lecture neutre et une lecture plus expressive.
Objectif proposé : rendre le contenu agréable à écouter, sans ajouter d’effets inutiles.
2. Créer une foire aux questions dialoguée
Mettez en scène un débutant et un spécialiste. Chaque question doit correspondre à une difficulté réelle de votre public.
Objectif proposé : expliquer un sujet sans transformer la conversation en cours magistral.
3. Préparer une maquette de fiction sonore
Inventez deux personnages, écrivez une scène d’une minute et testez plusieurs intentions.
Objectif proposé : explorer une direction artistique avant de décider du mode de production définitif.
Dans les trois cas, je recommande de conserver le script validé et de réécouter l’intégralité du résultat avant publication.
La voix devient un choix éditorial majeur
À mon sens, le plus intéressant n’est pas de produire toujours davantage de paroles artificielles. C’est de pouvoir réfléchir plus finement à la manière dont un texte est transmis.
Une voix chaleureuse peut servir une explication. Un silence peut donner de la place à une idée. Mais une émotion surjouée peut aussi détourner l’attention du fond.
Je vois donc ces outils comme des instruments de création à diriger, pas comme des substituts automatiques au jugement humain. La bonne question reste : qu’apporte cette voix au lecteur devenu auditeur ?
Et vous, accepteriez-vous d’écouter un livre ou un podcast avec une voix clonée, à condition que la personne concernée ait donné son accord et que l’usage de l’IA soit clairement indiqué ? Partagez votre avis en commentaire.