Comment enregistrer l'audio de référence pour que le clonage vocal ne sonne pas robotique
La semaine dernière, j'ai aidé une copine à faire la voix off d'une vidéo YouTube sur la pâtisserie française. Elle avait enregistré son audio de référence directement avec le micro de son iPhone, dans sa cuisine, avec le frigo qui ronronnait en arrière-plan. Résultat du clonage vocal gratuit : une voix qui articule chaque syllabe comme si elle lisait un faire-part de décès. J'ai failli m'étouffer avec mon café.
Je lui ai fait réenregistrer. Même texte, même voix, mais dans mon salon, sans bruit parasite. La différence ? Comme entre un message vocal envoyé à ta meilleure amie et une annonce SNCF en gare. Le problème, c'est rarement la technologie — c'est ce que tu donnes à manger à l'IA.
Alors voilà, sans détour, tout ce que j'ai appris à force d'essais ratés et de sessions où je parlais toute seule dans ma chambre.
Le bruit de fond : l'ennemi numéro un de la voix naturelle
Le truc que tout le monde ignore, c'est que le bruit de fond ne se contente pas de "salir" l'audio. Il imprime une texture bizarre sur la voix clonée. J'ai testé : même phrase, même micro, une fois avec le ventilateur de mon ordi allumé, une fois éteint. La première version clonée avait ce truc "plastique" que je déteste. La deuxième respirait.
Tu peux vérifier toi-même dans Audacity (gratuit, oui) : regarde la forme d'onde. Avec du bruit de fond, la ligne du bas est pas nette — c'est comme si on avait posé un drap de laine dessous.
La solution est bête : éteins tout ce qui tourne. Ventilo, clim, frigo si possible. Éloigne ton téléphone de toi. Et si tu as un micro-cravate ou un micro dynamique, c'est encore mieux. Le micro dynamique, d'ailleurs, c'est le meilleur ami des gens qui vivent en ville — il capte moins l'ambiance.
Autre détail : garde environ un poing de distance entre ta bouche et le micro. Trop près = plosives et sifflements qui font "chchch" sur les S. Trop loin = réverbération de la pièce, voix qui semble sortir d'un tunnel. Les deux, ça donne un clone qui sonne "voilé".
Les pauses et l'intonation : apprendre à l'IA à respirer
Deuxième point, et c'est celui qui change tout : les pauses. Quand on parle naturellement, on respire, on hésite, on marque des temps. Mais la plupart des gens, dès qu'ils appuient sur "record", deviennent des mitraillettes. Ils veulent finir vite, alors ils débitent sans une seule respiration.
Résultat : le clone parle comme un robot qui a avalé un dictionnaire.
Moi, je fais des pauses de 0,3 à 0,5 seconde à chaque virgule et chaque point. Je baisse même légèrement la voix avant un point final. Comme ça, l'IA apprend où sont les frontières des phrases. Et quand tu génères ensuite un texte avec le générateur de voix gratuit, elle reproduit ces pauses naturellement.
L'intonation, pareil. Si tu veux une voix chaleureuse, ton audio de référence doit contenir du sourire. Si tu veux une voix posée, parle plus grave. Ne compte pas sur le traitement après coup — l'IA apprend ta façon de produire le son, pas une étiquette d'émotion.
J'ai fait un test avec une question : j'ai enregistré "Tu viens demain ?" avec une vraie intonation interrogative. Ensuite, quand j'ai généré une phrase avec un point d'interrogation dans le tts gratuit français, la voix montait naturellement à la fin. C'est ce que j'appelle les "informations cachées" dans l'audio.
Et un conseil de vieux briscard : enregistre plusieurs prises. La première est toujours mauvaise — t'es tendu, tu parles trop vite. La troisième ou la quatrième, c'est là que ça devient naturel.
Le cas particulier du doublage multilingue
Si tu veux faire du doublage dans plusieurs langues — et c'est de plus en plus courant avec les outils de clonage de voix en ligne — il y a un piège sournois.
Ton audio de référence en français ne doit pas contenir de particularités trop marquées : pas de "euh" systématique, pas d'accent régional trop fort, pas de liaisons forcées. Parce que l'IA va transposer ces habitudes dans la langue cible.
J'ai fait une vidéo en espagnol avec un audio de référence où je faisais des liaisons très françaises. Le résultat ? L'espagnol avait des petits "z" qui traînaient partout. Un enfer. J'ai réenregistré avec une diction plus neutre, et là c'était propre.
Le débit aussi compte. Le français est plutôt rapide, l'allemand plus lent, l'italien très rythmé. Ton audio de référence doit avoir un débit proche de celui de la langue cible. Mais ne force pas — si tu parles artificiellement vite, l'IA va te sortir un truc saccadé, comme un vieux disque rayé.
Astuce de pro : pour le doublage multilingue, enregistre deux références séparées. Une en français, une dans la langue cible (même si tu ne parles que trois phrases). L'IA apprend les sons et le rythme de chaque langue séparément. C'est beaucoup plus efficace qu'une seule référence.
Matériel : ton téléphone suffit, à une condition
Le micro intégré d'un téléphone, dans une pièce calme, ça peut le faire. Mais ne tiens jamais ton téléphone à la main. Les frottements de ta paume, ta respiration, tout ça rentre dedans. Le clone qui sort de là, on dirait qu'il parle à travers une couette.
Pose ton téléphone sur un support, à plat, à environ un poing de ta bouche. Et utilise l'application d'enregistrement vocale native (ou un truc comme Voice Recorder), pas l'app d'appels. Celle-là compresse en 128 kbps, c'est une horreur pour le clonage.
Si tu peux mettre 30 balles dans un micro-cravate basique, fonce. Le rapport signal/bruit fait un bond énorme. Le micro dynamique est top pour les environnements pas totalement silencieux ; le micro à condensateur donne plus de détails mais exige une interface audio et une bonnette anti-pop, sinon les plosives vont faire des trucs bizarres à l'IA.
Post-traitement : laisse l'IA travailler
Une fois ton enregistrement fait, ne le transforme pas en MP3 128 kbps. Garde un WAV 44,1 kHz / 16 bit. L'IA a besoin de tout le spectre pour apprendre.
Pour le montage, deux choses seulement : coupe le silence au début et à la fin, et fais une normalisation à -1 dB. Point final.
Surtout pas de compresseur, pas d'excitateur, pas de preset "voix radio". Ces traitements aplatissent les micro-respirations et les fins de mots naturelles. L'IA apprend alors une voix "post-traitée", et le résultat est... exactement cette voix de robot qu'on essaie d'éviter.
Cas pratique : la voix off d'une vidéo de 30 secondes
J'ai fait la voix off d'une vidéo pour une marque de cosmétiques bio. Matos : téléphone + micro-cravate à 25 euros. Méthode : chambre, fenêtres fermées, clim éteinte, un verre d'eau à côté. J'ai découpé le script en 5 segments logiques, avec 0,5 seconde de silence entre chaque. J'ai enregistré trois fois, gardé la meilleure prise, normalisé à -1 dB, et tout envoyé dans le clonage de voix en ligne.
À la génération, le segment 3 était trop rapide. J'ai ajouté deux virgules dans le texte source, regénéré, et la voix est devenue posée. J'ai monté l'audio sur les points de coupe de la vidéo, ajouté une nappe de musique douce, et publié.
Un commentaire sur la vidéo : "C'est une vraie personne ou une IA ?" — voilà, c'est exactement ce que je cherche.
FAQ
Combien de temps doit durer l'audio de référence ?
Deux minutes minimum, cinq minutes idéalement. Moins, l'IA n'a pas assez de matière pour apprendre les variations d'intonation. Plus, tu risques d'introduire des instabilités. Je fais des sessions de 3 minutes avec des phrases affirmatives, interrogatives, exclamatives.
On peut utiliser son téléphone ?
Oui, mais pas l'app d'appels. Utilise l'app d'enregistrement native ou un tiers, en mode sans perte, 44,1 kHz minimum. Pose le téléphone sur une surface, ne le tiens pas.
Le clone sonne encore robotique, que faire ?
Vérifie d'abord le bruit de fond dans ton audio de référence. Ensuite, écoute les pauses — sont-elles naturelles ? Si tout est bon, ajoute des virgules et des retours à la ligne dans ton texte sur le synthèse vocale gratuite. Parfois, séparer les mots avec des apostrophes ou des traits d'union aide aussi (par ex. "aujourd'hui" au lieu de "aujourd hui").
La dernière étape
Avant de lancer ton prochain enregistrement : éteins tout, bois un verre d'eau, lis un passage avec du relief émotionnel. Puis écoute-toi — si ça sonne comme une conversation entre amis, c'est bon.
Va sur créer une voix ia gratuite sans inscription, envoie ton audio, génère ta voix. Puis compare avec ta voix normale. Tu verras : la distance entre un robot et un humain, c'est souvent juste un enregistrement fait avec soin.