Définition
La synthèse vocale (text-to-speech, TTS) convertit un texte écrit en audio parlé. Dans les systèmes vocaux professionnels, elle permet aux messages de SVI, aux OTP vocaux, aux rappels et aux agents vocaux IA d'énoncer du contenu dynamique sans préenregistrer chaque phrase.
Un moteur TTS normalise le texte (développement des nombres, dates, devises et abréviations), détermine la prononciation et la prosodie, puis synthétise l'audio. Les voix neuronales sonnent bien plus naturelles que les anciennes voix par concaténation, et de nombreux moteurs permettent de choisir la langue, le genre, le débit et le style.
La prononciation et le rythme peuvent être contrôlés avec SSML (Speech Synthesis Markup Language), une norme du W3C prise en charge par la plupart des moteurs. Usages typiques : lire un code chiffre par chiffre, insérer des pauses, épeler des lettres ou imposer la prononciation d'un nom de marque.
L'arabe demande une attention particulière. L'arabe écrit omet généralement les voyelles brèves (tashkeel) : le moteur doit les deviner et peut mal prononcer des noms ou des mots rares ; les nombres peuvent être lus en arabe ou en anglais ; et les utilisateurs peuvent attendre de l'arabe standard moderne ou un dialecte du Golfe selon le cas d'usage. Testez les messages réels avec des locuteurs natifs avant le lancement.
Les erreurs courantes consistent à lire de longues chaînes trop vite, à laisser le moteur lire un OTP comme un seul grand nombre et à mélanger les langues dans une même phrase sans signaler le changement.
OmniChannels.ai, grâce aux capacités vocales de BroadNet, propose la synthèse vocale, y compris en arabe, pour le SVI, l'OTP vocal et les appels programmables.
Exemple
<speak>Votre code est <say-as interpret-as="characters">471902</say-as>. <break time="700ms"/> Je répète…</speak>