Fish Audio lève 52 M$ : la voix de synthèse veut jouer, pas seulement lire
— AUDIOVISUEL
Fish Audio boucle un tour d'amorçage de 52 millions de dollars porté par un modèle vocal qui clone une voix à partir de cinq secondes d'audio et module l'émotion mot par mot. Je trouve la promesse séduisante pour le doublage et la voix off, mais les comparaisons qui la soutiennent viennent uniquement de l'entreprise elle-même.
Une startup fondée il y a un an lève 52 millions de dollars sur une intuition simple : les voix de synthèse savent prononcer correctement depuis longtemps, mais elles ne savent toujours pas interpréter. C'est ce glissement, du texte lu au texte joué, qui mérite qu'on s'y arrête plutôt que la liste des investisseurs.
Pour un monteur ou un réalisateur qui gère de la voix off ou du doublage à petit budget, la promesse touche directement une étape de production précise. Le dernier modèle de la maison clone une voix à partir de cinq secondes d'audio et permet de doser l'émotion mot par mot, via des commandes en langage courant. Concrètement, ça veut dire pouvoir demander à une voix de synthèse d'hésiter, de s'agacer ou de retenir un sourire sur une seule ligne de dialogue, sans repasser en studio d'enregistrement. À mes yeux, c'est précisément là que les outils vocaux précédents décrochaient, sur la dixième phrase, quand l'intonation se répétait mécaniquement.
Reste une réserve qui compte plus que les fonctionnalités : les chiffres avancés, deux tiers des auditeurs préférant ce modèle à ses concurrents lors de tests à l'aveugle, sortent uniquement de l'entreprise, sans protocole publié. Difficile de ne pas y voir un biais classique du secteur, où l'on vend sa propre supériorité avant qu'un tiers ne la vérifie.
Cela dit, l'apport réel n'est pas dans le chiffre, il est dans le positionnement commercial : trois modèles restent ouverts, mais le plus abouti n'est accessible que par une API payante, avec des garanties de confidentialité pensées pour les secteurs régulés. Ça ressemble moins à un projet de passionné qu'à une entreprise qui a compris où se trouve la marge, entre les studios qui veulent du contrôle créatif fin et les entreprises qui veulent de la conformité.
Pour qui produit du contenu doublé ou sonorisé en volume, la question n'est plus de savoir si une voix de synthèse peut jouer un rôle, mais si elle peut le faire de façon reproductible sur un projet entier plutôt que sur une démo soignée.