Guides
Transformer un texte en voix avec l'IA : le guide pas à pas
L'équipe Voizum · Mis à jour · 12 min de lecture
Pour transformer un texte en voix, vous le collez dans un générateur de synthèse vocale, vous choisissez une voix et vous téléchargez le fichier MP3. Le résultat n'a plus rien d'un répondeur téléphonique : les voix neuronales actuelles respirent entre les phrases et montent à la fin d'une question. Ce guide explique comment choisir l'outil (avec le prix de la minute à côté de chacun), comment écrire les chiffres et les sigles pour que la voix ne trébuche pas, quelle durée donne un nombre de caractères et ce que vous avez le droit d'en faire.
Avant de continuer : écoutez le rendu
Lancez la lecture. Chacune de ces voix lit le texte que vous écrivez.
Si vous vous connectez avec Google, nous vous offrons 600 crédits chaque mois : environ 10 minutes d'audio.
Que vérifier avant de choisir un outil de texte en voix ?
Avant de copier votre texte dans le premier site venu, vérifiez ces cinq points. Les trois derniers se découvrent souvent trop tard : quand la vidéo est déjà montée et qu'on s'aperçoit que l'audio ne se télécharge pas.
| Critère | Ce qu'il faut regarder | Pourquoi c'est important |
|---|---|---|
| Naturel | Écoutez la voix avec VOTRE texte, pas seulement avec la démo du site | Une démo de 10 secondes est choisie pour bien sonner ; un paragraphe à vous, avec des chiffres et des noms propres, dit la vérité |
| Langues et accents | Des voix natives de la langue, pas une voix anglaise qui lit du français | L'accent étranger se trahit dès la première phrase |
| Limite de texte | Caractères par audio et par mois | Si l'offre gratuite s'arrête après quelques milliers de caractères, il faut découper le script puis recoller les audios |
| Téléchargement MP3 | Vous obtenez un fichier, pas seulement la lecture dans le navigateur | Sans fichier, impossible de l'intégrer à une vidéo ou de le mettre en ligne sur une plateforme |
| Prix de la minute | Divisez le prix de l'offre par les minutes d'audio qu'elle donne | Chaque fournisseur appelle « crédit » quelque chose de différent : la minute est la seule mesure comparable |
Combien coûte une minute d'audio ?
Nous comparons à la minute d'audio, avec l'offre la moins chère que l'on peut souscrire chez chaque fournisseur. Quand le prix est donné en caractères, nous le convertissons en minutes avec notre moyenne mesurée de 1 000 caractères par minute.
Regardez la dernière colonne. Avec un abonnement, ce que vous ne consommez pas dans le mois est le plus souvent perdu. Avec un paiement unique, vous le gardez.
| Fournisseur | Offre d'entrée | Minutes | Prix de la minute | Ce que vous ne consommez pas |
|---|---|---|---|---|
| Voizum | Packs de 5,99 € à 47,99 €, paiement unique | ≈ 365 – 3 723 | 0,013 € – 0,016 € (hors d'Europe, 0,015 $US – 0,019 $US) | N'expirent jamais |
| MiniMax | 5,00 $US paiement unique | ≈ 102 | 0,049 $US | Expirent au bout de 2 mois |
| ElevenLabs | 6,00 $US par mois | ≈ 30 | 0,197 $US | Perdus à la résiliation |
| Narakeet | 6,00 $US paiement unique | ≈ 30 | 0,200 $US | N'expirent jamais |
| TTSMaker | 13,99 $US par mois | ≈ 305 | 0,046 $US | Perdus chaque mois |
Comment transformer un texte en voix avec Voizum, pas à pas ?
Voici comment passer d'un texte à un audio MP3 sans rien installer :
- 1Ouvrez le générateur. Collez le texte ou importez un document (.txt, .md, .srt, .pdf, .docx). Un seul audio accepte jusqu'à 600 000 caractères, soit environ 10 heures de parole.
- 2Choisissez l'une des plus de 400 voix de la bibliothèque et filtrez par langue, accent, genre ou style. Écoutez d'abord l'échantillon, et si vous hésitez entre deux voix, générez un paragraphe avec chacune.
- 3La langue est détectée automatiquement à partir du texte, parmi les 17 disponibles : français, anglais, espagnol, allemand, portugais, italien, russe, néerlandais, polonais, chinois, japonais, coréen, hindi, arabe, turc, indonésien et roumain.
- 4Réglez la vitesse (de 0.5× à 2×) et le volume. Les pauses entre les phrases, la voix les place d'elle-même d'après la ponctuation. Vous pouvez écouter les réglages avant de générer.
- 5Cliquez sur « Générer ». Vous voyez avant le nombre de crédits que cela coûte : 60 crédits pour 1 000 caractères (environ 60 par minute d'audio), avec un minimum de 100 par audio.
- 6Écoutez le résultat et téléchargez le MP3. Enregistrez-le sur votre ordinateur : le fichier reste 4 jours dans votre historique.
Comment écrire le texte pour que la voix le lise bien ?
Écrivez le texte comme il doit sonner. La voix lit ce qui est écrit, ponctuation comprise. La ponctuation est votre mise en scène, et ce qui est ambigu sur papier, comme une date ou une abréviation, peut sonner autrement que prévu.
| Si vous écrivez | Écrivez plutôt | Pourquoi |
|---|---|---|
| 02/10/2026 | 2 octobre 2026 | Dans d'autres pays, le mois passe avant le jour : la voix ne sait pas quel ordre vous voulez |
| 1/2 | la moitié | Cela peut se lire comme une date, une fraction ou « un barre oblique deux » |
| 10-15 min | dix à quinze minutes | Le tiret est lu « moins » ou sauté |
| voizum.com/guides | voizum point com slash guides | Les adresses web sont lues de façon imprévisible ; personne ne retape une adresse entendue une seule fois |
| OTAN, UNESCO, SNCF | OTAN, UNESCO, « esse-ène-cé-èf » | Les sigles qui se prononcent comme un mot passent bien ; ceux qui s'épellent, écrivez-les comme ils sonnent |
| M., Dr, p., etc. | Monsieur, docteur, page, et cetera | Les abréviations sont parfois lues lettre par lettre |
| (voir note 3) | Supprimez-le du texte | Ce qui ne fonctionne que sur papier est tout de même lu à voix haute |
La ponctuation, c'est la direction d'acteur
Un point marque une pause et clôt l'intonation ; une virgule, une courte pause ; un point d'interrogation fait monter la fin de la phrase. Les points de suspension allongent la pause. Quand une phrase paraît précipitée, il manque presque toujours une virgule.
Pour une pause plus longue, par exemple entre deux sections, écrivez une marque de silence entre deux phrases : <#1.5#> laisse une seconde et demie de pause (jusqu'à 10 secondes). Ces marques ne sont ni lues ni facturées.
Des phrases qu'on comprend à l'écoute
Celui qui écoute ne peut pas revenir en arrière du regard. Une idée par phrase, le sujet près du verbe. Et une astuce de comédien : une phrase courte après une longue attire l'attention sans que vous ayez à hausser le ton.
- Lisez d'abord le texte à voix haute vous-même : là où vous manquez de souffle, coupez la phrase.
- Remplacez les énumérations à puces par des phrases : « d'abord …, ensuite … et enfin … ».
- Répétez le sujet après deux phrases : à l'oral, « il » ou « cela » se perdent.
Mélanger les langues
Chaque audio est généré dans une seule langue : celle qui domine dans le texte. Un mot ou une courte citation dans une autre langue est lu avec la voix et l'accent de la langue principale, comme le ferait un locuteur natif. Si votre script contient des paragraphes entiers dans une autre langue, générez-les séparément avec une voix de cette langue, puis assemblez-les.
Quelle voix choisir selon l'usage ?
La voix pèse plus sur le résultat que n'importe quel réglage. Choisissez selon qui écoute et pendant combien de temps : une voix pleine d'énergie convient à un spot de 30 secondes et fatigue dans un livre audio de six heures.
| Usage | Quelle voix | Rythme | Conseil pratique |
|---|---|---|---|
| Voix off de vidéo (YouTube, documentaires) | Voix de narrateur, chaleureuse et nuancée | Normal | Testez-la avec votre phrase d'accroche : c'est elle qui décide si on reste |
| Publicité et promos | Voix énergique, proche | Un peu plus rapide | Des phrases courtes, et l'appel à l'action à la fin, seul |
| Livres audio et histoires | Voix calme, qui ne fatigue pas | Normal ou un peu plus lent | Écoutez 5 minutes d'affilée, pas 10 secondes : la fatigue ne se voit qu'avec le temps |
| Formations et tutoriels | Voix claire et neutre | Un peu plus lent | Une longue pause après chaque étape laisse le temps de l'exécuter |
| Actualités et résumés | Voix de style journal | Normal | Écrivez les abréviations et les sigles comme ils se prononcent |
| Relire ses propres notes | Celle que vous trouvez agréable | Plus rapide | Avec un texte que vous connaissez, vous pouvez accélérer sans perdre le fil |
Quelle durée donne un texte ?
En moyenne, une minute d'audio représente environ 1 000 caractères espaces compris. Mais la voix compte plus que le texte : le même script dure presque 50 % de plus avec la voix la plus posée qu'avec la plus vive que nous ayons mesurée.
| Caractères | Voix rapide | Moyenne | Voix lente |
|---|---|---|---|
| 1 000 (Une annonce ou une courte présentation) | 47 s | 1 min 1 s | 1 min 9 s |
| 5 000 (Un article de blog) | 3 min 53 s | 5 min 5 s | 5 min 45 s |
| 15 000 (Le script d'une longue vidéo YouTube) | 11 min 38 s | 15 min 14 s | 17 min 14 s |
| 60 000 (Un long chapitre ou une courte formation) | 46 min 31 s | 1 h 1 min | 1 h 9 min |
Format audio et qualité : MP3 et débit
Voizum livre du MP3 mono à 96 kbit/s, qui s'ouvre dans n'importe quel lecteur et logiciel de montage. Une voix n'a besoin que d'un canal, et à ce débit on n'entend aucune perte sur la parole. Chaque minute pèse environ 0,72 Mo, une heure environ 43 Mo.
Si une plateforme exige plus, un export à 192 kbit/s respecte la consigne, mais le son reste celui du MP3 d'origine.
| Destination | Ce qui est recommandé | Source |
|---|---|---|
| YouTube | Audio AAC-LC ou Opus à 48 kHz ; en mono, 128 kbit/s | Aide YouTube, encodage recommandé |
| Podcast sur Apple Podcasts | MP3 ou AAC de 128 à 256 kbit/s, sonie autour de −16 LKFS | Apple Podcasts for Creators |
| Livre audio sur Audible (ACX) | MP3 à 192 kbit/s ou plus, 44,1 kHz, niveau entre −23 et −18 dB RMS | Exigences ACX |
| Écouter ou partager depuis le téléphone | Le MP3 tel quel | Aucune exigence |
Que pouvez-vous faire de l'audio ? Limites d'usage et règles des plateformes
Chez Voizum, l'audio que vous créez est à vous, avec deux limites : vous ne pouvez pas l'utiliser pour vous faire passer pour quelqu'un d'autre ni pour un contenu illégal. Vous ne pouvez pas non plus cloner la voix d'une autre personne sans son autorisation.
Et voici ce que demandent les plateformes :
- YouTube n'exige pas d'indiquer que la narration vient d'une IA lorsqu'il s'agit d'une voix off ou d'un doublage. En revanche, un contenu réaliste qui donne à croire qu'une personne réelle a dit quelque chose qu'elle n'a pas dit doit être signalé.
- Pour la monétisation, YouTube écarte les contenus « non authentiques » : vidéos produites en masse, répétitives, sans apport propre. La voix IA n'y change rien ; ce qui exclut une chaîne, c'est le script copié ou le modèle répété mille fois.
- Audible exige, via ACX, que les livres audio soient lus par un humain, sauf dans ses propres programmes de voix synthétiques autorisés. Si votre objectif est Audible, vérifiez-le avant de produire tout le livre.
Texte en voix gratuit : ce que permet chaque option
Pour simplement écouter un texte une fois, nul besoin d'un site. Microsoft Edge propose une lecture à voix haute gratuite avec des voix naturelles, et le système d'exploitation intègre son propre lecteur. Ils lisent toutefois en direct et ne donnent pas de fichier.
Si vous voulez le MP3, avec votre compte Google vous recevez chaque mois 600 crédits gratuits, environ 10 minutes d'audio, à utiliser avec n'importe quelle voix de la bibliothèque. Ils se renouvellent seuls, ne se cumulent pas et ne demandent aucune carte.
Si vous avez besoin de plus, vous achetez des crédits sans abonnement, et ils n'expirent pas. Les crédits gratuits valent pour les audios générés sur le site ; le clonage de voix, l'API et l'enchaînement d'audios utilisent des crédits achetés.
Quelles erreurs éviter en transformant un texte en audio ?
Celles que l'on remarque en premier à l'écoute :
- Coller le texte sans le relire : des retours à la ligne bizarres, des numéros de page ou des restes de mise en forme créent des pauses mal placées ou sont lus à voix haute.
- Choisir la voix d'après la démo de 10 secondes, sans l'essayer avec un vrai paragraphe du script.
- Laisser les abréviations, les sigles et les dates ambiguës (10/02/2026) comme dans le document, au lieu de les écrire comme on les dit.
- Des phrases de plus de quatre lignes : sur papier on les comprend, à l'oral l'auditeur perd le sujet.
- Générer d'un coup un long script sans en écouter une minute avant : si la voix ou le rythme ne conviennent pas, vous payez tout.
- Ne pas télécharger le MP3 : le fichier est supprimé de l'historique au bout de 4 jours.
Sources consultées
- Google Cloud : Cloud Text-to-Speech avec la technologie WaveNet de DeepMind (MOS 4,1)
- Aide YouTube : paramètres d'encodage recommandés
- Apple Podcasts for Creators : exigences audio
- ACX : exigences de remise audio
- Aide YouTube : divulgation des contenus modifiés ou synthétiques
- Aide YouTube : règles de monétisation des chaînes
- Microsoft : utiliser le Lecteur immersif dans Microsoft Edge
- ElevenLabs : tarifs
- MiniMax Audio
- Narakeet : tarifs
- TTSMaker : tarifs
Nos guides vous sont utiles ? Ajoutez Voizum comme source préférée et Google vous montrera davantage de nos contenus.
Ajouter sur Google ↗
1Comment transformer un texte en voix, et pourquoi ça ne sonne plus robotique ?
Vous collez votre texte dans un générateur, vous choisissez une voix, vous lancez la création et vous récupérez un fichier audio. La synthèse vocale, ou TTS (text to speech), désigne tout système qui lit un texte à voix haute et vous rend le son. Vous l'utilisez déjà sans y penser quand votre GPS vous annonce de tourner au prochain rond-point.
Les anciennes voix étaient fabriquées en collant des morceaux d'enregistrements ou en calculant le son selon des règles fixes. D'où le ton monotone et les cassures entre les syllabes : le système ne comprenait pas la phrase, il l'épelait.
Les voix neuronales apprennent à parler en écoutant des milliers d'heures de vraies personnes et génèrent l'onde sonore de zéro. Le saut a été mesuré en 2016 avec WaveNet : dans les tests de Google, les auditeurs ont noté ces voix 4,1 sur 5, plus de 20 % au-dessus des voix standard, et l'écart avec la parole humaine a été réduit de plus de 70 %. Depuis, c'est le modèle qui décide où respirer et quel mot appuyer.
Choisir un outil ne revient donc plus à se demander s'il « sonne humain », mais à regarder du concret : la quantité de texte qu'il accepte, la possibilité de télécharger le MP3 et le prix de chaque minute.