Gradium loge une voix de synthèse crédible dans quelques dizaines de mégaoctets
— AUDIOVISUEL
Phonon tient dans un fichier de moins de 75 Mo et répond en quelques millisecondes sans passer par un serveur distant. Pour les dialogues de personnages de jeu vidéo, cela change le calcul entre voix enregistrée et voix générée à la volée, à condition d'accepter les conditions de licence attachées aux versions les plus abouties.
Un fichier de 64,5 Mo capable de faire parler un personnage avant même que le joueur ait fini de cliquer. Gradium publie Phonon, une famille de modèles de synthèse vocale conçus pour tourner directement sur l'ordinateur, le téléphone ou la console, sans aller chercher le son dans un centre de données. Sur une puce Snapdragon récente, le premier fragment audio sort en 7,5 millisecondes, un délai plus court que le temps de réaction d'un clic de souris.
Ce choix d'exécution locale parle directement aux studios de jeu vidéo qui écrivent des dialogues de personnages secondaires. Un partenariat avec Xybrid AI porte justement sur ce terrain : des lignes de texte générées en jeu, prononcées sans attente réseau et sans facture d'API à chaque réplique. Pour un studio qui multiplie les variantes de dialogue selon les choix du joueur, cela réduit le budget de doublage sur les personnages mineurs et ouvre la voix générée aux scènes improvisées que l'enregistrement classique ne couvre jamais.
Le revers tient dans les licences. Le plus petit modèle, limité à l'anglais, circule sous une licence qui autorise l'usage commercial sans condition. Les versions plus expressives de 40 millions de paramètres, dont celle en français, sont publiées sous une licence qui réserve leur usage aux projets non commerciaux. Un studio qui veut sortir un jeu en français avec ces voix doit donc négocier une autorisation séparée avant de signer quoi que ce soit avec son éditeur.
Comparé aux modèles de synthèse vocale hébergés dans le cloud, Phonon ne cherche pas la voix la plus riche possible mais la latence la plus basse et le poids le plus faible. C'est un compromis assumé, et il correspond exactement à ce qu'un moteur de jeu peut charger en mémoire sans ralentir la partie. La qualité suffit pour des dialogues fonctionnels, pas nécessairement pour une cinématique soignée où l'expressivité prime sur la rapidité.
Reste à voir comment les éditeurs de jeux vidéo arbitreront entre ce gain de réactivité et le coût de la négociation de licence sur les voix françaises. Un studio indépendant qui prototype aujourd'hui gagnerait à tester la version anglaise libre avant d'investir dans une version française sous licence restreinte.