Ming-3.0 : Ant Group ouvre cinq moteurs vocaux, à charge pour les studios de les intégrer
— AUDIOVISUEL
Ant Group publie en licence ouverte cinq modèles capables de générer une voix décrite par écrit, d'analyser un enregistrement ou de transcrire une conversation bruitée. Le paquet vise les équipes techniques capables de déployer des poids bruts, loin d'une application prête pour un monteur son.
Décrire une voix en une phrase et la voir prendre corps, avec un rire ou une hésitation placés au bon endroit du texte : c'est la promesse de Ming-3.0-tts, l'un des cinq modèles qu'Ant Group vient de livrer en licence ouverte. La synthèse couvre sept langues, dont le français, avec un contrôle fin sur l'émotion, le débit et le volume. De quoi faire rêver tout créateur de voix off pour la publicité ou le format narratif long.
Le réalisateur publicitaire ou le monteur en charge d'un habillage sonore de marque trouve ici, sur le papier, une matière rare : une voix synthétique dirigeable par instruction, sans caster ni studio d'enregistrement. Produire une version test d'un script avec trois intonations différentes avant même le tournage deviendrait un geste de pré-production, pas une étape coûteuse. La génération de dialogues à plusieurs voix pour un podcast de marque entre dans la même logique.
Rien de tout cela ne tourne pourtant comme une application. Les cinq modèles sont des poids à charger, avec leurs propres dépôts logiciels et leurs exigences matérielles, pensés pour des développeurs capables de les brancher sur une infrastructure d'inférence. Le modèle le plus ambitieux pour la compréhension audio pèse 126 milliards de paramètres au total, un chantier d'intégration, pas un bouton à cliquer dans une suite de montage.
Les scores mis en avant par Ant Group, dont une robustesse de prononciation jugée parmi les meilleures des modèles ouverts, mesurent des protocoles précis et ne garantissent rien sur la restitution émotionnelle dans un cas réel de production. La documentation reconnaît elle-même des manques sur la ressemblance de timbre en français pour la version compacte.
Ce que Ming-3.0 change, c'est la disponibilité d'une brique vocale sérieuse hors des écosystèmes propriétaires habituels, celle qu'un éditeur d'outils créatifs ira chercher pour construire la prochaine fonction de voix off dans un logiciel grand public. Le studio qui attend un produit fini peut patienter encore une version, mais la chaîne qui fabrique les outils de demain vient de gagner une pièce gratuite et puissante à assembler.