Tags Expressifs et Contrôle de la Parole

Sortir de la lecture plate

Un moteur de synthèse laissé à lui-même lit tout sur le même ton, y compris la chute d’une histoire ou l’avertissement important au milieu d’un mode d’emploi. Le TTS de Grok vous donne les moyens de reprendre la main grâce aux tags de parole, qui pilotent le rythme, le volume, la hauteur et le style, et vont jusqu’à insérer des rires, des soupirs ou des respirations. Il existe deux mécanismes distincts, et les confondre est la première source de résultats décevants : les tags inline déclenchent un effet ponctuel, les tags enveloppants modifient la lecture d’un passage entier.

Les tags inline : un effet, un point précis

Ils s’écrivent entre crochets et agissent exactement là où vous les placez, sans rien changer au texte qui suit.

Les pauses sont de loin les plus utiles au quotidien, parce qu’elles reproduisent la ponctuation orale que le texte écrit ne porte pas. Comparez une consigne débitée d’un trait à la même consigne aérée :

Bienvenue sur notre plateforme. [pause] Aujourd'hui, nous allons decouvrir les fonctionnalites principales. [long-pause] Commençons par l'inscription.

Les expressions vocales, elles, s’emploient avec parcimonie. Un [laugh] bien placé rend une phrase complice ; trois dans le même paragraphe donnent l’impression d’un présentateur nerveux.

C'est une excellente question ! [laugh] La reponse va peut-etre vous surprendre. [pause]

Les tags enveloppants : un style, une portion de texte

Ceux-là encadrent le texte qu’ils modifient, sur le modèle <tag>texte</tag>, et leur effet dure exactement le temps du passage encadré.

Le contraste de volume sert à hiérarchiser l’information sans ajouter un mot : ce qui est dit doucement passe pour une confidence, ce qui est dit fort pour une alerte.

Ecoutez bien : <soft>ceci est un secret</soft>. Mais <loud>ceci est important !</loud>

La vitesse joue le même rôle sur l’attention. Accélérer donne le sentiment de l’urgence ou de l’accessoire, ralentir signale que la phrase mérite d’être retenue — un réflexe précieux dans un module de formation, où l’on ralentit systématiquement sur la définition d’un terme nouveau.

Je vais maintenant <fast>parler tres vite pour montrer l'urgence</fast> puis <slow>ralentir pour insister sur ce point</slow>.

Quant au chuchotement, il produit un effet de connivence immédiat, à condition de rester une exception dans le paragraphe.

<whisper>Ne le dites a personne</whisper>, mais la nouvelle version sort demain !

Faire jouer les deux ensemble

Rien n’empêche de mêler les deux familles dans un même texte, et c’est même là que la synthèse commence à ressembler à une interprétation. L’extrait suivant enchaîne respiration, pauses, adoucissement, ralentissement, chuchotement, rire et montée en volume :

[breath] Bonjour a tous. [pause]
Aujourd'hui, je vais vous raconter <soft>une histoire extraordinaire</soft>. [long-pause]
Il etait une fois, <slow>dans un pays tres lointain</slow>, un developpeur qui decouvrit [pause] <whisper>le secret de la synthese vocale parfaite</whisper>. [laugh]
<loud>Et tout changea !</loud>

Lisez cet exemple à voix haute en respectant les indications : vous entendrez que la densité de tags y est déjà à la limite du raisonnable. Sur un livre audio entier, ce dosage serait épuisant. La règle empirique consiste à baliser les moments qui portent une intention et à laisser respirer le reste.

Où ces tags font vraiment la différence

Dans la narration de livres audio, les pauses, les chuchotements et les variations de rythme sont ce qui maintient l’auditeur éveillé sur une heure d’écoute. Pour un assistant vocal, un simple [pause] entre deux informations laisse à l’utilisateur le temps de les enregistrer avant la suivante. Un contenu éducatif gagne à combiner <emphasis> sur les termes clés et <slow> sur les passages difficiles, exactement comme le ferait un formateur devant sa classe. Le marketing audio exploite <build-intensity> pour construire une montée et <loud> sur l’appel à l’action. Et pour des personnages de jeu vidéo, l’assemblage de <whisper>, <hoarse> et [laugh] donne à des lignes de dialogue identiques des incarnations très différentes.

Un dernier point pratique : ces tags fonctionnent à l’identique en mode HTTP et en mode WebSocket. Vous pouvez donc mettre au point votre balisage sur des requêtes HTTP unitaires, faciles à réécouter et à corriger, puis transposer tel quel le texte validé dans votre pipeline de streaming.

Points clés à retenir

• Les tags inline [tag] insèrent des effets ponctuels (pauses, rires, soupirs)
• Les tags enveloppants <tag>texte</tag> modifient le style d’un passage (volume, vitesse, ton)
• Les tags sont combinables pour créer des narrations riches et expressives
• Les tags fonctionnent aussi bien en mode HTTP qu’en mode WebSocket