Parlez avec votre propre voix, dans une langue que vous ne parlez pas

Voici la part de la traduction en temps réel que presque tout le monde rate, et dont presque personne ne parle : la voix que vous entendez.

On peut disposer d'une excellente reconnaissance vocale et d'une excellente traduction, et se retrouver malgré tout avec une réunion qui ressemble à une machine lisant une liste. Car la dernière étape, qui consiste à retransformer le texte traduit en son, est celle où la plupart des outils remplacent discrètement votre voix par un unique narrateur synthétique générique. Huit personnes dans la salle, une seule voix de robot pour toutes. On perd qui parle, l'emphase, la personnalité. C'est intelligible, mais ce n'est pas une conversation.

InterMIND procède autrement pour cette dernière étape. Quand vous parlez, les autres participants entendent la traduction avec une voix reconnaissablement la vôtre, qui porte votre timbre et votre manière de parler, et qui dit désormais les mots dans leur langue. Ce n'est pas encore une imitation parfaite ; l'essentiel est que ce soit vous plutôt qu'un narrateur générique, et cela s'améliore. Cela fonctionne pour chaque participant, dans les deux sens, en même temps.

Cet article est le chapitre manquant de Dans les coulisses des quatre pipelines de traduction qui font tourner InterMIND : ce texte expliquait comment l'audio devient de l'audio traduit. Celui-ci s'intéresse à la voix qui sort à l'autre bout.

Le choix par défaut de tout le monde, et pourquoi il sonne plat

Si vous avez déjà utilisé la traduction en direct dans l'une des grandes plateformes de réunion, vous connaissez ce son. Une voix neutre, au rythme régulier, lit la traduction. C'est la même voix, que l'orateur soit votre PDG ouvrant une assemblée générale ou un collègue qui plaisante. La technologie sous-jacente est une synthèse vocale à partir d'un seul modèle de voix fixe, et l'hypothèse de conception est que l'intelligibilité suffit.

Dans une vraie réunion, elle ne suffit pas. La moitié de ce qu'une réunion communique tient à qui parle et à comment. Retirez la voix, et vous avez transformé une discussion en transcription qui se trouve être dite à voix haute. Les gens cessent de réagir les uns aux autres et se mettent à attendre leur tour.

Ce que fait InterMIND à la place

La traduction s'exécute dans un pipeline en cascade : trois étapes spécialisées en séquence, plutôt qu'un seul modèle qui tenterait de tout faire. Les deux premières étapes sont décrites dans l'article sur les pipelines ; l'étape de la voix est celle dont parle cet article :

1. ASR : reconnaissance vocale. Vos paroles sont transcrites dans votre propre langue, au fur et à mesure que vous parlez, sur notre propre moteur (le serveur média qui porte l'appel, Mind API, OVH France), de sorte que la traduction peut démarrer avant la fin de la phrase.
2. MT : traduction. La transcription est regroupée en fragments de phrase stables, les propositions, afin que la traduction puisse commencer avant que vous ayez fini votre phrase ; chaque fragment est traduit progressivement dans la langue de l'auditeur.
3. TTS zero-shot : synthèse vocale. Chaque fragment traduit est prononcé à partir d'un échantillon de votre propre voix, puis diffusé en continu à l'auditeur.

C'est cette troisième étape, ASR → MT → TTS zero-shot, qui produit l'effet. « Zero-shot » signifie que le système n'a besoin ni d'un enregistrement préalable ni d'une session d'apprentissage pour votre voix. Il modélise votre voix à partir de l'audio de la réunion dans laquelle vous êtes déjà.

La phase de démarrage : comment la traduction ressemble si vite à votre voix

« Utiliser un échantillon de votre propre voix » cache un problème de l'œuf et de la poule. Tout au début d'un appel, le système ne vous a pas encore assez entendu pour modéliser correctement votre voix.

InterMIND gère cela par une phase de démarrage progressive :

• Pendant environ les 5 à 10 premières secondes, tant qu'il rassemble encore suffisamment de votre voix, chaque fragment traduit est synthétisé à partir du fragment audio qui correspond à ce que vous venez de dire dans votre langue source. La voix est ancrée sur votre parole réelle et immédiate.
• Dès qu'il dispose d'un échantillon assez long, soit après ces 5 à 10 secondes, le système s'y verrouille et s'en sert pour donner une voix à tout ce qui suit.

En pratique, vous n'entendez aucun basculement. La traduction ressemble de plus en plus à votre voix à mesure que la conversation s'installe : pas un double parfait, mais clairement la vôtre plutôt que celle d'une machine, et elle s'améliore à mesure que le modèle vous entend. C'est l'association d'une traduction progressive (proposition par proposition, et non phrase par phrase) et d'une synthèse vocale progressive qui permet de rester dans le budget de latence tout en sonnant humain.

Enregistrez votre voix une fois et passez la phase de démarrage

La phase de démarrage décrite plus haut est le comportement par défaut, sans rien configurer. Depuis septembre 2026, il existe en option un second chemin pour les utilisateurs connectés : un échantillon de voix enregistré, dans Paramètres → Votre voix dans la traduction.

L'enregistrer tient en un seul geste. Appuyez sur Enregistrer ma voix, attendez Parlez maintenant, puis dites les nombres de un à dix dans l'ordre de votre choix. Chaque nombre s'allume sur la carte dès que le moteur vocal l'entend ; quand les dix sont allumés, l'échantillon est vérifié et enregistré automatiquement. Il n'y a rien à réécouter ni à confirmer, et pas de compte à rebours : la carte conserve le passage de votre prise qui contient les nombres. Une pièce calme et un casque donnent le meilleur résultat.

Ce que change l'échantillon enregistré : dès votre prochaine réunion, le synthétiseur donne votre voix à votre traduction dès le premier fragment, si bien que vos interlocuteurs vous entendent comme vous-même dès la première phrase, et non après la phase de démarrage. Sous le capot, c'est la même synthèse zero-shot avec un meilleur point de départ ; la phase de démarrage en direct continue d'affiner la voix au fil de l'appel.

La prise est contrôlée avant d'être stockée. Elle doit durer de 3 à 10 secondes de parole claire (la fenêtre d'entrée du synthétiseur) : si elle est trop faible, saturée, presque entièrement silencieuse ou noyée dans le bruit de fond, la carte vous indique quoi corriger et vous demande une nouvelle prise. Les nombres ont été choisis comme phrase pour une raison pratique : ils sont courts, reconnaissables dans chacune des 23 langues, et le moteur peut confirmer qu'il les a tous entendus, ce qui transforme « cet enregistrement a-t-il fonctionné ? » en un oui bien visible.

Deux échantillons de voix, deux durées de vie

C'est la partie dont une équipe sécurité ou juridique s'enquiert immédiatement ; la voici donc en toute clarté. Il existe deux échantillons différents, et ils ne vivent pas de la même manière.

L'échantillon en direct, utilisé pour la phase de démarrage pendant la réunion, est éphémère. Il n'existe que pour la durée de la session de conférence en direct, au service de la voix de la traduction, et n'est stocké nulle part. Mind API et le SDK qui font fonctionner la session en temps réel ne conservent aucune donnée ; tout ce qui est temporaire disparaît à la fin de la session de conférence.

L'échantillon enregistré depuis les Paramètres est stocké avec votre compte, pour un seul usage : il est envoyé au moteur de traduction chaque fois que vous rejoignez une réunion afin que votre parole traduite puisse être voisée avec lui, et pour rien d'autre. Il reste jusqu'à ce que vous appuyiez sur Supprimer sur la carte, ce qui vous ramène immédiatement à la phase de démarrage standard, et il est supprimé en même temps que votre compte. Les invités ne peuvent pas en enregistrer un ; c'est une fonctionnalité réservée aux utilisateurs connectés, par conception.

Il faut être précis sur ce qu'aucun des deux échantillons n'est : ce n'est pas l'une des fonctionnalités d'enregistrement d'InterMIND. Enregistrer la vidéo et l'audio d'une réunion est une action distincte et délibérée, que vous accomplissez volontairement, avec ses propres commandes. Un échantillon de voix est une entrée du synthétiseur vocal : transitoire dans le cas du direct, à vous de le garder ou de le supprimer dans le cas de l'échantillon enregistré.

Pourquoi personne d'autre ne propose cela

Le clonage de voix n'a rien de secret. Mais le faire en direct, par participant, dans les deux sens, à la vitesse de la conversation, dans 23 langues, sans rien stocker que vous n'ayez demandé est un problème différent de celui de cloner une voix hors ligne pour un podcast.

Les grandes plateformes optimisent leur traduction pour la couverture des sous-titres et une seule voix de narrateur sans risque : c'est le choix par défaut, économique et robuste à grande échelle. Conserver la voix propre de chaque orateur oblige l'étape de synthèse à suivre chaque participant indépendamment, tout en restant dans le même budget de latence que le reste du pipeline. Nous avons construit nous-mêmes le moteur vocal, sur notre propre infrastructure, ce qui nous laisse la maîtrise de cet arbitrage. (Pour en savoir plus sur les raisons pour lesquelles le moteur est notre propre code : De quoi est faite une réunion InterMIND.)

La suite : la synchronisation labiale

Garder votre voix est une moitié d'un objectif plus vaste. L'autre moitié, c'est votre visage.

Aujourd'hui, vous entendez votre interlocuteur avec sa propre voix, mais si la caméra est allumée, ses lèvres suivent toujours les mots qu'il a réellement prononcés, dans une langue que vous ne lisez pas. L'étape suivante est la synchronisation labiale : recaler la bouche de l'orateur sur l'audio traduit, de sorte qu'à votre écran il semble parler votre langue.

Mettez les deux ensemble et tout le sens de ce travail apparaît. Deux personnes qui n'ont aucune langue en commun se font face lors d'un appel vidéo et se voient et s'entendent comme si chacune était locutrice native de la langue de l'autre : même voix, même visage, pas d'interprète au milieu, pas de robot lisant un script.

Pour être clair sur l'état d'avancement : la voix est disponible aujourd'hui ; la synchronisation labiale figure sur la feuille de route, elle n'est pas encore disponible. Nous évoquons la destination parce que c'est elle qui donne son importance au travail sur la voix : la traduction avec sa propre voix n'est pas la fonctionnalité, c'est la première moitié de « parler à n'importe qui, dans n'importe quelle langue, en restant soi-même ».

Où l'entendre

La traduction avec sa propre voix est disponible dès aujourd'hui, dans les 23 langues vocales, les mêmes que celles listées dans la documentation. Il n'y a rien à activer séparément : lorsque la traduction est activée dans une réunion, les participants s'entendent automatiquement avec leur propre voix. Nous restons honnêtes sur l'état des lieux : aujourd'hui, la voix est déjà reconnaissablement la vôtre, et nous travaillons activement à rapprocher encore la ressemblance. Écoutez et jugez par vous-même.

• Essayer la démo : fait tourner le pipeline vocal en direct sur votre audio, dans l'une des 23 langues.
• Voir les chiffres de qualité : le même pipeline de production, évalué chaque mois sur FLORES-200, avec la distribution complète publiée par paire de langues.
• Enregistrer votre échantillon de voix : une fois connecté, une prise des nombres de un à dix, et vous êtes voisé comme vous-même dès la première phrase.
• Comment cela fonctionne, dans la documentation : la version courte de cet article.
• Le voir à côté des sous-titres et d'une transcription consultable : comment les trois éléments se comportent ensemble dans une même réunion.

Une réunion traduite doit donner l'impression que les personnes qui y sont réellement se parlent entre elles. Garder votre voix est ce qui permet d'y arriver.