Synthèse vocale : une voix, un ton, un fichier

Comment fonctionne un TTS Gemini

Un modèle TTS (Text-To-Speech) reçoit du texte et renvoie de l'audio. Avec Gemini, c'est un appel generate_content ordinaire, avec deux réglages en plus :

• response_modalities=["AUDIO"] : on veut du son, pas du texte ;
• speech_config : quelle voix utiliser. La documentation propose une trentaine de voix préenregistrées (prebuilt voices) nommées, par exemple Kore (ferme) ou Puck (enjouée), toutes multilingues.

Le style (« chaleureuse, posée », « agacé ») se donne soit dans le texte (« Dis calmement : … »), soit, sur les modèles récents, dans le champ speech_metadata.style de la Part, ce qui évite que l'instruction soit lue à voix haute.

sequenceDiagram
  participant App as "Votre code"
  participant API as "gemini-3.8-flash-tts"
  App->>API: "Part(text, speech_metadata.style) + voix Kore + AUDIO"
  API-->>App: "inline_data : audio (WAV ou PCM brut)"
  App->>App: "save_wav() : ajoute l'en-tête RIFF si besoin"
  App->>App: "reponse.wav (24 kHz, 16 bits, mono)"

Le code

def tts(c, text: str, path: str, voice: str = "Kore", style: str | None = None) -> float:
    """Une seule voix. Le style (« chaleureux, posé ») passe par speech_metadata."""
    from google.genai import types
    part = types.Part(text=text, speech_metadata=types.SpeechMetadata(style=style) if style else None)
    cfg = types.GenerateContentConfig(
        response_modalities=["AUDIO"], speech_config=types.SpeechConfig(voice_config=_voice(voice)))
    r = with_retry(lambda: c.models.generate_content(model=TTS_MODEL, contents=[part], config=cfg))
    return save_wav(r.candidates[0].content.parts[0].inline_data.data, path)

Le piège du format : WAV ou PCM brut ?

En testant deux modèles avec le même code, nous avons obtenu deux formats différents :

Si vous ajoutez systématiquement un en-tête WAV, le fichier du second modèle en aura deux : il se lira peut-être, mais sa durée sera fausse et certains lecteurs refuseront de l'ouvrir. D'où une fonction qui regarde les 4 premiers octets :

def save_wav(data: bytes, path: str, rate: int = RATE) -> float:
    if not data.startswith(b"RIFF"):          # PCM brut : on l'enveloppe
        buf = io.BytesIO()
        with wave.open(buf, "wb") as w:
            w.setnchannels(1); w.setsampwidth(2); w.setframerate(rate)
            w.writeframes(data)
        data = buf.getvalue()
    with open(path, "wb") as f:
        f.write(data)
    return wav_seconds(data)                  # durée réelle, utile pour vérifier

Combien ça coûte, combien de temps ça prend

L'audio produit se compte en tokens de sortie. Lors de notre test, une phrase d'accueil de 19 tokens de texte a produit 5,0 s d'audio comptées 125 tokens audio en sortie, soit environ 25 tokens par seconde produite. La génération a pris 3,6 s : plus rapide que la lecture, mais pas instantanée. Pour un serveur vocal, cela compte (module 3).

Résultat obtenu

Sortie réelle du 2026-10-15 (même texte, même voix Kore) :

gemini-3.8-flash-tts         audio/wav                       246112 octets  3,60 s  sortie : 125 tokens AUDIO
gemini-2.5-flash-preview-tts audio/L16;codec=pcm;rate=24000  192526 octets  2,94 s  sortie : 100 tokens AUDIO

Et le message de rappel produit par le projet final (12,0 s, voix Kore, style « chaleureuse, posée ») :

Exercice : trois tons pour un même message

Avec voix.tts, générez le même message (« Votre colis part aujourd'hui en express. ») avec trois styles différents : « neutre », « très enthousiaste », « désolée, à voix basse ». Écoutez, puis vérifiez que le texte prononcé n'inclut pas l'instruction de style.

import voix

c = voix.client()
for i, style in enumerate(["neutre", "très enthousiaste", "désolée, à voix basse"]):
    d = voix.tts(c, "Votre colis part aujourd'hui en express.", f"ton_{i}.wav", style=style)
    print(style, f"{d:.1f} s")

Je sais faire

• Générer un fichier WAV avec une voix nommée et un style
• Gérer les deux formats de sortie (WAV complet ou PCM brut)
• Vérifier la durée produite et estimer les tokens de sortie
• Signaler au client qu'une voix est synthétique