J'ai enregistré les voix IVR de ma boutique : mon comparatif voix off court vidéo vs podcast
La première fois j'ai essayé d'enregistrer les voix IVR pour la boutique de ma sœur, j'ai compris que ce n'était pas aussi simple que de parler dans un micro. On m'avait confié un petit commerce du quartier, et le but était de remplacer ce menu téléphonique qui boucle en boucle par quelque chose de plus fluide. J'ai voulu gagner du temps en utilisant des extraits déjà faits, mais le résultat a été catastrophique : chaque prise ressemblait à une pub pour un cours de langues, et j'ai pu parier que les clients décrochaient avant même d'entendre l'option « appuiz sur 1 ».
En creusant un peu, j'ai réalisé que donner vie à un IVR, c'est tout un art à part. Ça ne ressemble ni à une voix off de TikTok, ni à l'intro d'un podcast. C'est un format à part entière, et j'ai voulu le comprendre en testant moi-même.
Quand la voix off court vidéo devient un cauchemar de synchronisation
Il y a quelques mois, j'ai accepté de faire la voix off d'une vidéo de 15 secondes pour un compte Instagram de cuisine. Le script ne faisait que une cinquantaine de mots, mais j'ai mis près de deux heures à obtenir quelque chose de satisfaisant. Le problème n'était pas la clarté de la voix, mais l'alignement sur l'image : chaque fois que le chef commençait à verser l'huile, ma phrase devait arriver pile à ce moment-là. Un retard de deux secondes, et le spectateur scrollait away. L'émotion devait monter puis retomber selon le montage, et les pauses étaient calculées à la seconde près.
Et puis il y a la musique. J'ai fini par enregistrer la voix dans un calme absolu, pour ensuite mixer le tout avec une piste d'ambiance. Mais sur la plateforme, la BGM a littéralement étouffé ma voix. Résultat : j'ai dû reenregistrer en criant un peu plus fort, ce qui donnait un côté « téléachat » que je détestais. Sans parler des mots interdits : certaines plateformes signalent automatiquement certains termes, et il a fallu que je modifie mon script à la volée, ce qui veut dire reenregistrer toute la séquence. Bref, un vrai parcours du combattant pour si peu de temps d'antenne.
Le podcast, c'est une toute autre histoire
Contrairement au court vidéo, le podcast ne demande pas de coller à des images. J'ai récemment enregistré l'intro d'un podcast indépendant, et la consigne était simple : une seule prise, sans coupure. L'enjeu était purement atmosphérique. On cherchait ce sentiment de « radio à minuit », cette proximité avec l'auditeur qui est assis seul dans sa chambre, écouteurs sur les oreilles. Le défi ? Ne pas avoir l'air de lire un texte lus. Il ne faut pas non plus que la voix sonne trop posée, sous peine de ressembler à un journal télévisé lue par un robot.
J'ai fini par faire cinq essais avant d'être content. Ce n'était pas que le texte était mal écrit, mais la façon de le dire changeait tout. Il fallait cette touche d'improvisation, comme si je parlais à un ami dans un bar, sans pour autant oublier le propos. C'est un équilibre subtil entre décontraction et professionnalisme, et c'est ce qui fait toute la différence entre un podcast qui se laisse écouter et celui qu'on abandonne après trente secondes.
Le cas IVR : entre les deux mondes, mais pas tout à fait
Retournons au projet de ma sœur. L'IVR, c'est un peu l'enfant oublié entre le court vidéo et le podcast. Il a ses propres règles. D'un côté, il doit être clair, sans ambiguïté. De l'autre, il ne doit pas non plus sonner comme un robot monotone qui lit un manuel d'instructions. Le jour où j'ai essayé de réutiliser ma voix off de cuisine pour l'IVR, le désastre était immédiat. La voix montrait de l'enthousiasme à certains moments, ralentissait sur les promos, et puis ces fameux « p » explosifs qui passent mal quand on repasse par une ligne téléphonique.
Ce qui compte pour un IVR, c'est la durabilité. Imaginez que la même phrase soit jouée 500 fois par jour. Si la tonalité est un peu trop perçante, si le débit est trop rapide, ou si le timbre manque de chaleur, les gens vont décrocher avant d'appuyer sur le bon chiffre. L'objectif, c'est une voix qui soit agréable à l'oreille même après une écoute répétée, qui laisse au client le temps de traiter l'information, sans non plus lui donner l'impression d'attendre dans une file d'attente à la préfecture.
Le rythme, c'est la clé. Dans une vidéo de 15 secondes, on accélère pour tenir le temps imparti. Dans un podcast, on prend son temps pour installer l'ambiance. Pour un IVR, il faut ralentir exprès, insérer des blancs entre chaque option, comme pour donner au cerveau du auditeur le temps de comprendre « appuiz sur 1, appuiz sur 2 ». C'est contre-intuitif quand on vient du monde du montage rapide, mais c'est ce qui fait la différence entre un client qui reste en ligne et celui qui branche directement sur le répondeur.
Mon véritable tournage à la maison : entre bruit de ventilation et échos
Vous imaginez peut-être un setup professionnel, mais mon premier essai s'est fait dans mon appartement parisien, sur la table de la cuisine. J'avais branché mon micro USB, et quand j'ai écouté la playback, j'ai entendu en fond sonore le vrombissement de mon ordi et, à travers la fenêtre, l'annonce du gardien de l'immeuble annonçant la collecte des ordures. J'ai failli abandonner tout de suite. Le bruit de fond, même imperceptible à l'oreille nue, devient une fois amplifié par le système téléphonique, un véritable mur de bruit.
Ensuite, il y a la distance par rapport au micro. Trop proche, et chaque « p » devient un petit coup de canon, un souffle soporifique qui tape sur les micros sensibles. Trop éloigné, et la pièce résonne, la voix perd en intelligibilité, et on entend le clapotis lointain de la cafetière. Pour un IVR, il faut ce qu'on appelle un son « sec », sans réverbération, comme si la personne était dans un studio insonorisé, alors qu'on est assis dans un salon ordinaire. J'ai fini par acheter un petit filtre anti-pop et m'isoler avec une couverture tendue entre deux chaises – pas très esthétique, mais ça a fonctionné.
Enfin, j'ai découvert que les logiciels d'enregistrement gratuits, par défaut, compressent trop le son. Les fréquences aiguës sont coupées d'un coup, et la voix devient plate, sans vie. J'ai dû m'habituer à enregistrer en WAV brut, même si ça alourdit les fichiers, simplement pour avoir la marge de manœuvre en post-production.
Pourquoi votre voix off court vidéo ne fonctionnera jamais en IVR
Un ami qui fait des vidéos sponsorisées m'a un jour demandé si je pouvais réutiliser ses génériques de vidéo pour en faire les prompts téléphoniques. J'ai essayé, et j'ai vu rouge. Les voix off court vidéo sont construites comme une narration : il y a un début, un milieu avec l'accroche du produit, et une fin avec l'appel à l'action. L'émotion monte, puis retombe. Sur un téléphone, ça donne l'impression de subir une pub qui ne finit plus. Le client n'est pas là pour acheter, il a un problème à résoudre, et chaque ton de voix supplémentaire est une distraction.
De plus, le timing y est totalement différent. Dans une vidéo, une pause de deux secondes avant l'appel à l'action peut être dramatique. Dans un IVR, cette même pause doit être assez grande pour que l'auditeur ait le temps d'appuyer sur un chiffre, sans que la voix ne recommence avant qu'il ait eu le temps de réagir. Forcer le matériel vidéo vers le domaine téléphonique, c'est s'assurer d'avoir à tout reenregistrer de zéro, en ajustant chaque paramètre fin, et honnêtement, ça ne vaut pas le coup.
J'ai testé VoxClone : le clonage vocal gratuit sans inscription
Étant donné tous ces écueils, j'ai cherché une solution qui ne me coûterait pas un bras et qui ne nécessiterait pas de devenir ingénieur du son à temps plein. C'est comme ça que j'ai découvert VoxClone. C'est un service de synthèse vocale en ligne gratuit, pas besoin de créer un compte, de télécharger un logiciel ou de fournir des informations de carte bleue. On ouvre le navigateur, on uploade un échantillon de voix – soit un extrait qu'on aime soit notre propre enregistrement fait dans de bonnes conditions – et le service génère une voix IA qui nous ressemble.
Pour mon IVR, j'ai pris un extrait de ma propre voix, celui où je lisais une liste de courses sans trop d'emphase, et je l'ai uploadé sur la page dédiée. En quelques minutes, j'avais une voix clonée que j'ai pu tester directement sur le texte de mon IVR. Ce qui m'a bluffé, c'est qu'on pouvait ajuster le débit, la pause entre les options, et même un peu le timbre, le tout en quelques curseurs. Plus besoin de passer des heures à égaliser le son en post-production, la plateforme le fait déjà de manière transparente.
L'étape suivante, c'était d'entrer le script dans l'interface de texte en parole. J'ai tapé : « Bonjour, bienvenue au magasin XYZ, pour connaître vos commandes, appuyez sur 1, pour parler à un conseiller, appuyez sur 2 ». Le résultat était bluffant : la voix était claire, le débit était lent assez pour être compris, et il y avait ces petites pauses naturelles entre chaque option, comme si la voix savait où s'arrêter.
Pas de watermark, pas de limite de caractères bizarre pour ce cas d'usage, et le fichier sort en format prêt à être intégré directement dans le système téléphonique. Si jamais j'ai besoin de modifier un mot dans le futur, je reviens sur la plateforme, je change le texte, je regénère, et c'est tout. C'est devenu mon outil de référence pour les petites modifications rapides.
Et pour ceux qui voudraient aller plus loin, la plateforme propose aussi une API gratuite, documentée sur la page d'aide. Ça permet d'intégrer la génération de voix directement dans son propre système, sans avoir à passer par un clipboard manuel à chaque fois. J'ai pas encore franchi le pas, mais l'option est là, et c'est rassurant de savoir qu'elle existe.
FAQ : tout ce que vous vous êtes toujours voulu savoir sur les voix IVR clonées
La voix clonée peut-elle être utilisée pour un prompt IVR ?
Absolument, pourvu que l'enregistrement source soit clair et que la prononciation soit standard. L'important, c'est que le fichier audio final n'ait pas de bruit de fond et que le débit soit modéré. L'objectif est que le client puisse comprendre l'option sans avoir à réécouter deux fois.
La synthèse vocale gratuite peut-elle être utilisée à des fins commerciales ?
Avec VoxClone, oui. La plateforme est gratuite en permanence, et les fichiers audio générés peuvent être utilisés pour des scénarios commerciaux, y compris les systèmes téléphoniques des entreprises, les vidéos YouTube, les podcasts, et même les livres audio. On n'a pas à se soucier de droits d'auteur supplémentaires pour ces usages, ce qui est un vrai soulagement pour les petits commerçants qui veulent professionaliser leur ligne sans alourdir le budget.
Prenez votre téléphone, enregistrez trente secondes de phrase d'accueil type, uploadez-la sur VoxClone, et écoutez le résultat. Vous serez peut-être surpris de voir à quel point une voix IA bien réglée peut être plus naturelle que votre propre lecture à la hâte, surtout si vous devez répéter la même phrase des dizaines de fois par jour.