Text-to-Speech
- Le texte à vocaliser est envoyé au service, en clair ou en SSML
- synthesize renvoie l'audio encodé en base64 pour un texte de 5 000 octets au plus
- synthesizeLongAudio ouvre une opération longue pour un texte allant jusqu'à 1 Mo
- L'opération longue écrit le fichier audio à l'adresse donnée par output_gcs_uri
- Le service suit l'état de chaque synthèse et l'adresse du fichier produit
- Le fichier est servi aux auditeurs par une URL signée
Ce que c'est
API de synthèse vocale : on envoie du texte et le choix d'une voix, le service renvoie un fichier audio. Aucun modèle à héberger, appel en REST ou par bibliothèque cliente.
- Familles de voix. Chirp 3: HD pour le conversationnel, avec contrôles audio avancés et diffusion du texte en flux ; Studio pour la narration ; Neural2, WaveNet et Standard, plus anciennes et moins chères. Les modèles Gemini-TTS s'appellent par la même API et se pilotent par une consigne en langage naturel plutôt que par des balises.
- Entrée : texte brut ou SSML (pauses, prononciation, emphase, épellation). Chirp 3 et Gemini-TTS ne prennent que du texte ; le contrôle du style, de l'accent et du débit passe par une consigne, dans la limite de 8 192 jetons en entrée, avec la possibilité de faire dialoguer plusieurs voix.
- Trois modes. Synchrone (
text:synthesize), limité à 5 000 octets par requête, réponse audio en base64. Textes longs (synthesizeLongAudio), jusqu'à 1 Mo de texte : opération longue dont la sortie est écrite directement dans un bucket Cloud Storage. Flux bidirectionnel, pour vocaliser au fil de l'eau la sortie d'un modèle de langue. - Sorties : LINEAR16, MP3, OGG Opus, MULAW et ALAW, avec choix du taux d'échantillonnage, de la vitesse, de la hauteur et du gain.
- Voix personnalisées : clonage instantané à partir d'un court enregistrement de référence, et voix sur mesure entraînées sur un corpus dédié.
- Facturation au caractère envoyé, espaces et balises SSML compris, par palier mensuel gratuit puis par million de caractères : 30 $ pour Chirp 3: HD, 16 $ pour Neural2, 4 $ pour Standard et WaveNet. Les modèles Gemini-TTS sont facturés en jetons d'entrée et de sortie.
La limite de 5 000 octets n'est pas une limite de 5 000 caractères : un texte accentué, et plus encore un texte en japonais ou en arabe, atteint le plafond bien avant. Découper sur les phrases, ou passer par la synthèse de textes longs.
À quoi ça sert
- Donner une version audio d'un contenu écrit : articles, documentation, notifications.
- Serveurs vocaux et centres de contacts : messages d'accueil, réponses dynamiques, voix d'un agent conversationnel.
- Doublage d'une vidéo, en chaînant Speech-to-Text, Translation AI puis la synthèse.
- Accessibilité : lecture à voix haute dans une application web ou mobile.
À éviter quand la voix doit porter un jeu d'acteur précis, des émotions dirigées ou un dialogue à plusieurs personnages : les modèles Gemini-TTS, appelés par cette même API ou dans un modèle multimodal, se pilotent par consigne et couvrent ces cas. À l'inverse, l'API reste préférable pour du volume à coût prévisible, pour une voix rigoureusement stable d'un appel à l'autre, pour un contrôle fin de la prononciation en SSML, et pour la latence d'un serveur vocal.
Alternatives en logiciel libre
- Piper (licence GPL v3) : synthèse neuronale rapide sur processeur, nombreuses voix ; le choix courant pour l'embarqué et l'auto-hébergement.
- 🧊 Coqui TTS (MPL 2.0) : boîte à outils complète, entraînement et clonage de voix ; vérifier la licence de chaque modèle préentraîné, certaines sont restreintes.
- eSpeak NG (GPL) : synthèse par formants, minuscule et très rapide, sans réalisme.
- Kokoro (Apache 2.0) : modèle récent à la qualité proche des voix commerciales.
- Festival et MaryTTS : moteurs historiques, encore utilisés pour leur contrôle phonétique fin.