AudioBot vs VALL-E

AudioBot transforme le texte tapé en discours MP3 téléchargeable pour les créateurs qui ont besoin de narration localisée sans engager de comédiens voix-off. L'application web couvre les accents régionaux espagnols de plus de 14 pays d'Amérique latine ainsi que l'anglais, le français, l'allemand et des dizaines d'autres langues. Vous choisissez parmi plus de 500 voix neuronales, prévisualisez dans le navigateur et exportez des fichiers dont vous êtes pleinement propriétaire pour des vidéos, podcasts, e-learning et publicités.

La plupart des catalogues TTS mondiaux traitent l'espagnol comme une voix générique unique. AudioBot a construit son catalogue autour d'accents spécifiques à chaque pays du Mexique, de la Colombie, de l'Argentine et de l'Espagne, ce qui est important lorsqu'une publicité ou un cours doit sonner local plutôt que doublé. Les soldes de caractères prépayés n'expirent jamais, les abonnements mensuels peuvent être annulés à tout moment, et chaque niveau inclut des droits commerciaux sans filigrane sur les téléchargements.

Les créateurs YouTube et les animateurs de podcasts génèrent des voix off en quelques minutes. Les équipes e-learning localisent les modules en plusieurs dialectes espagnols. Les agences marketing produisent des lectures publicitaires régionales sans réservation de studio. Les petites entreprises ajoutent une narration professionnelle aux démonstrations de produits depuis un onglet de navigateur.

VALL-E est un modèle de synthèse vocale de Microsoft Research qui clone la voix d'un locuteur à partir d'un court extrait audio et génère un nouveau discours à partir de texte. Il appartient à la catégorie de la génération audio car il synthétise un discours naturel plutôt que d'éditer des enregistrements existants. La page du projet héberge des exemples audio pour le modèle original VALL-E et ses variantes ultérieures dans la même famille de recherche.

La plupart des systèmes de synthèse vocale régressent directement des formes d'onde continues ou des mél-spectrogrammes. VALL-E considère plutôt la parole comme une tâche de modélisation linguistique conditionnelle sur des codes discrets issus d'un codec audio neuronal. Microsoft l'a entraîné sur environ 60 000 heures de discours en anglais, bien plus que les ensembles de données TTS habituels. Un enregistrement de 3 secondes d'un locuteur inconnu suffit pour une synthèse zéro-shot, et le modèle peut conserver l'émotion et l'ambiance de la pièce présentes dans cet extrait.

La famille VALL-E s'est étendue au-delà du premier article. VALL-E X gère la synthèse vocale zéro-shot multilingue, VALL-E R ajoute un alignement monotone des phonèmes pour une génération de discours plus stable, et VALL-E 2 associe un échantillonnage conscient de la répétition à une modélisation groupée des codes pour atteindre la parité humaine sur les benchmarks LibriSpeech et VCTK. Des variantes comme MELLE, FELLE et PALLE explorent les tokens mél continus et un décodage hybride autoregressif plus parallèle.

Chercheurs, ingénieurs du son et auditeurs curieux utilisent VALL-E pour découvrir ce que les grands modèles linguistiques de codec peuvent faire avant de construire leurs propres chaînes. Les exemples publics sont des démonstrations de recherche, pas une API hébergée que l'on peut intégrer dans un produit sans licence et revue éthique séparées.