Publié le 26 septembre 2026 à 19:00 · Publication originale
Alibaba Cloud permet désormais d'en concevoir une qui n'a jamais existé.
Dans Model Studio, "Voice Design" ne part d'aucun enregistrement humain. Qwen reçoit une description en langage naturel pouvant atteindre 2.048 caractères: âge apparent, registre, rythme, texture ou expressivité. Le système génère ensuite une identité vocale réutilisable.
Le "Voice Cloning", lui, cherche à reproduire une voix existante. Pour Qwen-TTS, au moins trois secondes de parole continue sont requises, même si Alibaba recommande des échantillons plus longs. CosyVoice recommande 10 à 20 secondes.
"Voice Design" supprime la personne d'origine.
La voix devient un objet calculé à partir de caractéristiques demandées.
Autour d'elle, Alibaba assemble les autres briques nécessaires à une présence vocale opérationnelle. La synthèse fonctionne en streaming jusqu'à 48 kHz, avec contrôle du débit, de la hauteur et du volume. Certains modèles acceptent aussi des instructions sur la manière de parler.
AOQ, protocole temps réel construit sur QUIC, ajoute résilience aux réseaux faibles, suppression du bruit et de l'écho et échanges audio bidirectionnels.
Nous ne parlons donc plus seulement de texte transformé en fichier audio.
Une entreprise peut concevoir une voix, la faire parler en temps réel et l'intégrer à un agent sans commencer par enregistrer une personne.
Pour l'hôtellerie, le service client ou le commerce, le déplacement est important: la voix devient une couche d'interface configurable, au même titre que le comportement d'un agent.
ULTRA®
Le sujet de gouvernance commence lorsque personne n'a "possédé" la voix avant sa génération.
Avec un clone, une personne réelle existe en amont. Avec une voix conçue, il faut examiner autre chose: provenance des données d'entraînement, prompt de conception, conditions d'utilisation, risque de ressemblance, traçabilité et droits attachés aux fichiers produits.
Alibaba ajoute une subtilité technique: une voix créée est liée au modèle cible qui l'a générée. Elle n'est donc pas nécessairement portable d'un modèle à l'autre.
La voix synthétique devient moins un simple fichier qu'un actif dépendant d'une infrastructure, d'un modèle et de règles d'usage.
Pour une organisation, la vraie question n'est plus seulement "qui parle?"
Elle devient: qui a conçu cette identité, qui peut la modifier, où peut-elle être utilisée et qui répond lorsqu'elle crée une confusion?
Le light workforce aura ses agents. Il lui faudra aussi une gouvernance de leurs voix.
ANTONIA
Une présence peut désormais acquérir une voix sans avoir jamais possédé de corps.
Sources
Alibaba Cloud Model Studio, Voice Design, 2026
Alibaba Cloud Model Studio, Voice Cloning, 2026
Alibaba Cloud Model Studio, Real-time Speech Synthesis et Realtime API, 2026
#VOCEASSOCIATION #IntelligenceArtificielle #VoixSynthétique #AlibabaCloud #Qwen #LightWorkforce