Le TTS Gemini 3.8 Flash de Google peut cloner une voix à partir de 30 secondes d'audio

Google a livré deux nouveaux modèles vocaux le 23 septembre 2026, et le plus capable fait quelque chose de techniquement possible depuis des années mais rarement proposé avec les contrôles de consentement d'un fournisseur grand public : il peut recréer une voix à partir d'un court enregistrement. Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS sont déployés via l'API Gemini et Google AI Studio, rejoignant la famille Gemini 3.8 lancée par l'entreprise plus tôt en septembre.

À lire aussi: L'action ServiceNow a perdu 27 % quand la peur de l'IA a gagné le logiciel · Cloudflare rachète Deno pour rendre Workers auto-hébergeable.

Le lancement est une sortie produit, pas un article de recherche, et Google le présente comme une brique de base pour un marché déjà encombré. La synthèse vocale est devenue une fonctionnalité banale dans les assistants, les outils de doublage et les logiciels d'accessibilité, et les critères de différenciation sont désormais la qualité, la couverture linguistique, le coût et le contrôle. Google revendique la force sur les quatre, avec une fonction de clonage qui attirera le plus d'attention et le plus d'examen.

Ce que font les deux modèles

Flash TTS est le modèle créatif. Selon The Next Web, les utilisateurs peuvent concevoir une nouvelle voix à partir d'une description textuelle ou choisir parmi plus de 2 000 voix prêtes à l'emploi. Le modèle peut aussi recréer une voix à partir d'un échantillon audio de 30 secondes. Google précise que cette fonction exige un enregistrement de consentement verbal du propriétaire de la voix, et que le système vérifie que cet enregistrement correspond bien au locuteur de référence avant de créer la voix.

Flash-Lite TTS est le cheval de trait. Google le décrit comme conçu pour une génération à grand volume et économique, destinée au doublage, aux contenus audio de masse et aux agents vocaux expressifs. En pratique, c'est le modèle que la plupart des développeurs utiliseront lorsqu'ils auront besoin de milliers de lignes de parole sans pouvoir s'offrir l'option haut de gamme.

Les deux modèles prennent en charge plus de 100 langues, selon The Decoder. Ils gèrent aussi des indications de jeu ligne par ligne, le dialogue à deux voix et des sons non verbaux comme le rire et les soupirs. Ces détails comptent plus qu'ils n'en ont l'air : les indications expressives sont ce qui distingue une voix de synthèse qui lit un texte d'une voix capable de porter une performance, et c'est la raison pour laquelle la synthèse vocale est devenue utile pour les podcasts, les livres audio et les personnages de jeu, et pas seulement pour les lecteurs d'écran.

Les benchmarks sur lesquels Google s'appuie

Google a publié des benchmarks tiers en même temps que l'annonce, signe qu'elle s'attend à être comparée aux spécialistes. Elle indique que Flash TTS a pris la première place du Voice Design Benchmark de Hume AI avec un score de 71,4, et la première place sur la modélisation des accents avec 60,8. Sur l'Overall Quality Index de Hume AI, Flash TTS se classe premier et Flash-Lite TTS deuxième. Dans des tests de préférence en aveugle sur Voice Arena, Google affirme que les modèles ont occupé les premières places dans des langues dont le japonais, l'hindi et l'espagnol mexicain.

Les benchmarks sont un point de départ, pas un verdict. La qualité vocale est particulièrement subjective, et un modèle qui gagne sur un benchmark d'accent peut s'effondrer sur un long passage comportant des noms inhabituels ou des changements émotionnels. Mais le fait que Google concoure sur les benchmarks que surveille l'industrie de la parole suggère qu'elle veut être prise au sérieux dans un marché actuellement associé à ElevenLabs et à l'indien Murf AI, tandis qu'Adobe a ajouté la génération vocale à Firefly en août.

« Flash TTS peut aussi recréer une voix à partir d'un échantillon audio de 30 secondes. Google précise que les utilisateurs doivent fournir un enregistrement de consentement verbal du propriétaire de la voix. » — The Next Web

Le clonage vocal et le problème du consentement

C'est avec la fonction de clonage que le produit devient intéressant, et que le risque se situe. Trente secondes, c'est un seuil bas. Un court extrait de podcast, un message vocal ou une vidéo sociale suffisent à construire un profil, et la technologie permettant d'exploiter un tel profil de manière convaincante existe déjà en accès libre. L'ajout par Google d'un contrôle de consentement, où le propriétaire de la voix enregistre une déclaration parlée que le système vérifie par rapport à l'échantillon, est une tentative de placer une barrière devant la capacité plutôt que de prétendre qu'elle n'existe pas.

La portée réelle de cette barrière dépend de détails que Google n'a pas publiés. On ne sait pas clairement comment l'enregistrement de consentement est vérifié, ce qui se passe si quelqu'un utilise un échantillon synthétique pour satisfaire le contrôle, ni comment l'entreprise traite une voix clonée ailleurs et fournie comme référence. Les comédiens de doublage et leurs syndicats réclament précisément ces réponses, et un contrôle mené par le fournisseur ne satisfera probablement pas tout le monde.

Le calendrier invite aussi à la comparaison. Google a livré mi-septembre des modèles vocaux conversationnels Gemini 3.8 Live qui raisonnent pendant qu'ils parlent. Ajouter une semaine plus tard un modèle de synthèse capable de clonage montre une entreprise qui avance vite sur toute la pile de la parole : compréhension, conversation et synthèse. Pour les développeurs, cela signifie qu'un seul fournisseur peut désormais fournir la plupart des briques d'un produit vocal.

Pourquoi le clonage vocal est soudain partout

Le clonage vocal n'est pas nouveau. Les chercheurs ont démontré une réplication convaincante de locuteur il y a des années, et des modèles ouverts ont rendu la capacité de base accessible gratuitement. Ce qui a changé, c'est que cette capacité est passée des démonstrations de recherche à des produits commerciaux dotés d'API, de tarifs et de contrats de support, ce qui la rend utilisable par des entreprises qui n'auraient jamais entraîné un modèle elles-mêmes.

Le paysage concurrentiel reflète ce basculement. ElevenLabs a bâti une activité autour d'une synthèse et d'un clonage de haute qualité, Adobe a ajouté la génération vocale à Firefly en août, et l'équipe Qwen d'Alibaba a publié en juillet un modèle vocal capable de clonage. L'entrée de Google compte parce qu'elle peut intégrer la parole à une plateforme qui comprend déjà des modèles de langage, un écosystème de développeurs et une distribution cloud. Pour une startup qui décide comment ajouter de la voix, le choix se fait désormais entre un spécialiste et un généraliste qui propose tout au même endroit.

Les cas d'usage se multiplient aussi plus vite que les garde-fous. Doubler une vidéo en une douzaine de langues exigeait autrefois un studio et un casting. Aujourd'hui, cela peut être automatisé, ce qui est bon pour la portée et dur pour les comédiens de doublage qui faisaient ce travail. Les livres audio, les podcasts, les personnages de jeu et le service client bénéficient tous d'une synthèse moins chère et plus rapide. La même capacité peut produire une imitation convaincante d'une personne réelle sans son consentement.

« Google précise que les utilisateurs doivent fournir un enregistrement de consentement verbal du propriétaire de la voix, et que le système vérifie qu'il correspond au locuteur de référence avant de créer la voix. » — The Next Web

La bataille du consentement

Le contrôle de consentement de Google est une tentative de prendre de l'avance sur un problème déjà arrivé devant les législateurs et les tribunaux. Les comédiens de doublage et leurs syndicats soutiennent que la voix d'une personne est une forme d'identité qui ne devrait pas être reproductible sans autorisation, et plusieurs juridictions ont adopté ou proposé des lois en ce sens. Le Tennessee's ELVIS Act, du nom d'Elvis Presley, en a été un exemple précoce aux États-Unis, et le débat s'est depuis élargi aux performances générées par IA de manière plus générale.

Les protections des fournisseurs et les règles juridiques sont deux choses différentes. Un enregistrement de consentement peut dissuader les usages désinvoltes, mais il ne crée pas un droit, et il ne peut pas empêcher quelqu'un d'utiliser un autre outil pour cloner une voix à partir d'audio public. La protection concrète d'un comédien de doublage, c'est un contrat et une loi, pas une case à cocher dans une console de développeur. Le contrôle de Google se comprend mieux comme le signal que l'entreprise sait la capacité sensible, et non comme une solution au problème.

Cela laisse aux développeurs une décision qu'ils devront de plus en plus prendre explicitement. Construire une fonction vocale signifie désormais choisir quelles voix sont concernées, comment le consentement est enregistré, et ce qui se passe lorsqu'un utilisateur fournit un échantillon qu'il ne possède pas. Google a donné une réponse. Le reste de l'industrie débat encore de ce que la réponse devrait être.

Où cela atterrit

Google indique que Figma, HeyGen, Wondercraft, Linguana, 99.co et Ollang figurent parmi les entreprises qui intègrent les nouveaux modèles. Flash TTS arrive dans Gemini Notebook et Flash-Lite TTS dans Google Vids, l'accès des entreprises via Gemini Enterprise devant suivre. Ces intégrations pointent les cas d'usage qui intéressent Google : design et marketing, localisation vidéo, production de podcasts et service client automatisé.

Le paysage concurrentiel est encombré mais pas figé. ElevenLabs a bâti une activité sur la qualité vocale et le clonage, et ne cédera pas ce terrain facilement. Les modèles ouverts ont rendu la synthèse de base bon marché. Ce que Google apporte, c'est l'échelle, la couverture linguistique et un écosystème de développeurs, et ce qui lui manque, pour l'instant, c'est le palmarès dans la voix que possèdent les spécialistes.

Pour quiconque construit des produits vocaux, la question pratique est de savoir si les contrôles de consentement et les scores de benchmarks de Google justifient de changer de fournisseur. Pour tous les autres, la question plus importante est ce que signifie une fonction de clonage en 30 secondes lorsqu'elle est proposée par l'une des plus grandes entreprises du monde. Google a répondu à la première. La seconde est encore en cours d'élaboration.

Couverture : le bureau de Google au 6 Pancras Square à Londres, siège de Google DeepMind. Image de Gciriani, via Wikimedia Commons, sous licence CC BY-SA 4.0.