Il y a quelques années, reproduire une voix humaine par ordinateur était un processus long et demandant une somme de données énormes. Aujourd’hui, c’est une opération banale qui ne nécessite que quelques secondes d’enregistrement. Cette évolution éclair, au-delà de ses aspects technologiques, interroge sur les applications de ces outils et de leur transparence : comment identifier facilement un extrait de voix générée artificiellement ?
Cloner une voix à partir d’un échantillon de parole de quelques secondes. En quelques années, la génération de parole, ou deepfake vocaux, est passé d’un processus long et laborieux à un service facilement accessible et ultra rapide. Et si les voix modifiées ou synthétisées sont de plus en plus courantes et réalistes, il n’est pas toujours facile de les identifier.
La génération de parole a plus de 200 ans d’histoire. Parmi les premiers scientifiques à imaginer des machines capables de parler, on peut citer le mathématicien suisse Leonhard Euler qui, en 1761, s’interroge sur la nature des voyelles et la possibilité de les reproduire. Bien entendu, les compétences techniques de l’époque ne permettaient pas de créer de la parole continue et réaliste, mais l’idée était déjà présente.
Le domaine a connu une évolution rapide ces dernières décennies en parallèle du développement de l’informatique. La qualité des voix générées ces dernières années n’a fait qu’augmenter de plus en plus rapidement. À la fin des années 1990, deux approches concurrentes sont apparues. La première, la synthèse par concaténation consiste à découper des segments de parole existants puis de les coller les uns aux autres dans le bon ordre. La synthèse probabiliste de son côté cherche à modéliser les probabilités de transition d’un son à un autre. Ces deux approches ont été très populaires jusqu’à l’avènement des réseaux de neurones.
Une rupture…
La suite est à lire sur: theconversation.com
Auteur: Damien Lolive, Professeur des universités en Informatique, Université Bretagne Sud (UBS)
