Voix de synthèse : peut-on encore la distinguer d'un humain ?

En 2026, les voix neuronales de dernière génération passent le test du premier appel : la plupart des interlocuteurs ne remarquent rien pendant les vingt premières secondes. La question n'est donc plus de savoir si une voix de synthèse peut sonner humaine, mais dans quelles conditions elle cesse de l'être. La réponse concerne directement quiconque envisage de confier son standard à un agent vocal.

Prosodie : l'écart s'est refermé sur les phrases courtes

Les études d'écoute menées depuis 2024 convergent : sur des phrases isolées de moins de dix mots, les auditeurs identifient la voix de synthèse à peine mieux que le hasard, autour de 55 à 60 % de bonnes réponses. Les progrès viennent de la prosodie, c'est-à-dire la mélodie de la phrase : pauses respiratoires placées au bon endroit, montée d'intonation sur les questions, légères hésitations insérées volontairement. Les fournisseurs entraînent désormais leurs modèles sur des enregistrements téléphoniques réels, et cela s'entend. Le combiné aide aussi la machine : la bande de fréquences réduite du réseau téléphonique gomme une partie des derniers artefacts. Un « bonjour, cabinet du docteur Morel, que puis-je faire pour vous ? » synthétique passe aujourd'hui sans éveiller le moindre soupçon.

Détection : les indices qui trahissent encore la machine

La façade se fissure sur la durée. Quatre signaux reviennent systématiquement dans les tests d'écoute prolongés :

• une régularité trop parfaite : même débit, même énergie du début à la fin de l'appel, là où un humain se fatigue, accélère ou baisse la voix ;
• la gestion des chevauchements : coupez la parole à un agent vocal et observez la reprise, souvent trop propre ou décalée de quelques centaines de millisecondes ;
• les réactions non verbales : rires, soupirs et petits « hmm » d'écoute restent pauvres ou tombent à contretemps ;
• le hors-script : une digression sur la météo déstabilise plus sûrement la machine que n'importe quel test technique.

Sur un échange de trois minutes avec interruptions, le taux de détection remonte au-dessus de 80 %, même face aux meilleurs systèmes du marché.

Transparence : annoncer la couleur plutôt que jouer l'imitation

La vraie question n'est pas technique mais commerciale. Le règlement européen sur l'IA impose d'informer une personne qu'elle converse avec une machine dès lors que le doute est possible. Au-delà de l'obligation, les chiffres plaident pour la franchise : les appelants prévenus en début d'appel mènent leur demande au bout dans des proportions comparables aux autres, et les avis négatifs se concentrent sur les cas où la découverte se fait en cours de conversation, avec un sentiment de tromperie difficile à rattraper. Une annonce sobre en une phrase, puis un dialogue efficace, voilà ce qui fonctionne en production. L'imitation parfaite est un mauvais objectif : le bon critère est que l'appelant obtienne son rendez-vous sans friction, en sachant à qui il parle.