Qwen3-TTS

Un second modèle Qwen3 (VoiceDesign) construit une voix à partir d'une simple description en français, timbre et ton ensemble, sans cloner aucun enregistrement. Cinq personnages du scénario « Avec Jeff, à moto » ont été construits ainsi, chacun avec sa propre description. Résultat mesuré : cinq voix nettement distinctes (107 à 372 Hz) — un homme grave, une femme, deux registres de jeune fille, un enfant.

Jeff (« voix d'homme charmeur, grave et posée »)

Gisèle (« femme enjouée, un peu bavarde »)

Nydia, rêveuse (« jeune fille de seize ans, timbre clair et doux, ton rêveur »)

Même Nydia, surprise (« Je sais pas si je peux... »)

Jackson, 8 ans (« Le fric ou j'te flingue, poulet ! »)

Réserve honnête : la fidélité du texte est bonne sur les phrases complètes (Gisèle, Jackson), mais se brouille sur les répliques courtes ou argotiques (Jeff). Distinction des voix = mesuré et solide. Qualité et fidélité fine = à ton oreille de trancher.

Amélioration sur ce qui précède : VoiceDesign fabrique une seule fois l'identité de chaque personnage, qui est ensuite clonée pour chaque réplique — comme la méthode qui a marché pour Fish. Résultat mesuré : la voix ne dérive presque plus d'une réplique à l'autre (6 % d'écart contre 24 % avec VoiceDesign seul), et ces 6 voix sont maintenant réutilisables pour tout le scénario.

Jeff (89 Hz, homme jeune)

Le vieil homme (119 Hz)

Gisèle (188 Hz, femme)

Josie (206 Hz, adolescente)

Nydia (248 Hz, jeune fille)

Jackson (338 Hz, enfant)

À surveiller : la voix de Nydia a produit une phrase étrange et répétitive à deux reprises maintenant (pas un simple accident de transcription) — écoute-la avec attention, elle pourrait avoir besoin d'être régénérée avec une référence différente.