La synthèse vocale (Text-To-Speech, TTS), également appelée synthèse de la parole (Speech Synthesis), est une technologie d'intelligence artificielle qui convertit des informations textuelles en signaux vocaux audibles. Son objectif est de permettre à un ordinateur de générer une parole naturelle et fluide à partir d'un texte saisi, afin que la machine puisse produire un contenu linguistique de manière similaire à la lecture humaine. La technologie TTS implique plusieurs domaines tels que le traitement du langage naturel, le traitement du signal vocal et l'apprentissage automatique, et constitue un composant essentiel des systèmes d'interaction vocale homme-machine.

L'évolution de la technologie de synthèse vocale a traversé plusieurs étapes, passant de l'approche basée sur des règles, à la synthèse par concaténation, puis à la synthèse générative par réseaux de neurones. Les premiers systèmes TTS reposaient principalement sur des règles linguistiques conçues manuellement et des segments vocaux enregistrés, générant la parole par concaténation. Bien qu'ils offraient un bon contrôle, leur naturel était limité. Avec le développement de l'apprentissage profond, les chercheurs ont commencé à utiliser des réseaux de neurones pour apprendre directement la correspondance entre le texte et la parole. En 2017, des chercheurs de Google ont proposé le modèle Tacotron dans l'article Tacotron: Towards End-to-End Speech Synthesis, qui convertit directement des séquences de texte en caractéristiques acoustiques (spectrogrammes) et synthétise la forme d'onde vocale via l'algorithme Griffin-Lim, validant ainsi la faisabilité de la synthèse vocale de bout en bout ; cette approche a ensuite été développée en 2018 dans Tacotron 2, aboutissant à un pipeline de synthèse entièrement neuronal intégrant un vocodeur neuronal (WaveNet), devenant ainsi un travail de recherche important dans le domaine du TTS neuronal.

Les systèmes TTS modernes comprennent généralement des étapes telles que l'analyse du texte, la modélisation acoustique et la génération de la forme d'onde vocale. Le modèle comprend d'abord les caractères, les mots, la sémantique et les informations prosodiques du texte, puis prédit la représentation acoustique correspondante (comme le spectrogramme de Mel, Mel-spectrogram), et enfin génère un signal vocal continu via un vocodeur (Vocoder). Ces dernières années, avec le développement des Transformers, des modèles de diffusion (Diffusion Models) et des modèles vocaux à grande échelle, les systèmes TTS n'ont cessé de s'améliorer en termes de naturel de la parole, d'expression émotionnelle, de prise en charge multilingue et de contrôle du style vocal.

La technologie TTS résout principalement le problème de la transmission directe des informations numériques sous forme vocale, permettant à l'ordinateur de convertir le contenu textuel en sortie vocale interactive. Actuellement, cette technologie est largement appliquée dans les assistants intelligents, la lecture audio, les annonces de navigation, les systèmes de service client, l'assistance aux personnes handicapées ainsi que les avatars virtuels, offrant une interface vocale plus naturelle pour l'interaction homme-machine.