Choisir une voix pour l’agent vocal de votre marque n’a rien à voir avec choisir une police de caractères. Une police reste sur une page et attend d’être lue. Une voix parle à vos clients, traite leurs problèmes et représente votre entreprise en temps réel — souvent quand le client est frustré, pressé ou appelle depuis une rue bruyante.
La plupart des équipes choisissent une voix en écoutant quelques démos et en retenant celle qui « fait professionnel ». Cette approche fonctionne jusqu’au jour où la voix écorche le nom de l’entreprise en plein appel, ou sonne enjouée en annonçant à un client que sa demande a été refusée. Ce guide explique comment choisir une voix qui convient vraiment à votre marque, à votre cas d’usage et aux conditions dans lesquelles se trouvent vos appelants.
Partez du cas d’usage, pas du catalogue de voix
L’erreur la plus courante consiste à parcourir une bibliothèque de voix avant d’avoir défini ce que la voix doit faire. Une voix qui convient à une application de méditation échouera sur un appel de recouvrement. Une voix qui paraît autoritaire dans une démo en salle de réunion peut sonner robotique sur une ligne téléphonique à 8 kHz.
Avant d’écouter la moindre voix, répondez à ces questions :
- Que cherche à accomplir l’appelant ? Un appelant qui vérifie le statut d’une commande veut de l’efficacité. Un appelant qui conteste un débit veut de l’empathie. La voix doit correspondre au registre émotionnel de l’interaction, pas au ton marketing général de la marque.
- Où se trouve l’appelant ? Les appels passés depuis des voitures, des bureaux et des cuisines s’accompagnent de bruit de fond. La voix doit rester intelligible à 8 kHz sur le PSTN, pas seulement dans un enregistrement de studio.
- Que se passe-t-il quand les choses tournent mal ? La voix doit gérer les excuses, les corrections et les escalades sans paraître déconnectée. Une voix qui ne sait faire que l’enthousiasme devient un handicap quand la conversation se fait sérieuse.
Les trois caractéristiques qui comptent
1. L’intelligibilité
L’appelant comprend-il ce que dit la voix ? La question semble évidente, mais l’intelligibilité se dégrade à des endroits précis et prévisibles :
- Les chiffres et les codes. « Votre code de confirmation est 8-4-2-1-J » doit être sans ambiguïté. Certaines voix amalgament les chiffres ou lisent « 1 200 $ » « douze cents dollars » quand l’appelant attend « mille deux cents ».
- Les noms et les termes du domaine. Si votre produit s’appelle « Sonic » et que la voix dit « Sah-nik », vous avez un problème. Testez avec vos vrais noms de produits, vos noms de clients et le vocabulaire de votre secteur.
- La parole accentuée. Si votre base d’appelants comprend des anglophones non natifs ou des accents régionaux, la voix doit être intelligible pour eux — et votre modèle de reconnaissance vocale doit les comprendre. Ce sont deux problèmes liés mais distincts.
Sonic lit correctement de lui-même les formes écrites conventionnelles : prix, dates, numéros de téléphone et adresses. Pour les noms de produits ou les termes que le modèle prononce mal, un dictionnaire de prononciation règle le problème une fois pour toutes, au lieu d’exiger de l’ingénierie de prompt à chaque appel.
2. Le registre émotionnel
Chaque voix a un registre émotionnel par défaut — un ton de fond qui colore tout ce qu’elle dit. Certaines voix sont chaleureuses et rassurantes. D’autres sont brèves et efficaces. Aucune n’a tort ; la question est de savoir si le registre correspond à l’interaction.
Quelques exemples tirés de notre bibliothèque de voix :
| Cas d’usage | Registre | Pourquoi |
|---|---|---|
| Support client | Calme, posé | L’appelant est souvent frustré. Une voix calme désamorce. |
| Ventes sortantes | Chaleureux, énergique | L’appelant n’a pas demandé cet appel. L’énergie le garde en ligne. |
| Recouvrement / conformité | Clair, ferme | Les mentions légales exigent de l’autorité. La chaleur affaiblit le message. |
| Prise de rendez-vous médicaux | Stable, rassurant | L’appelant peut être anxieux. La voix doit réduire le stress, pas en ajouter. |
Le modèle Sonic de Cartesia va plus loin que la plupart des systèmes TTS : il adapte son expressivité émotionnelle au texte qu’il lit. Si le LLM génère une réponse empathique, Sonic sonne empathique. Si le texte est un refus ferme, Sonic sonne ferme. Autrement dit, le design de la voix est couplé à la génération du LLM — la voix suit le contenu, pas une configuration figée.
3. La latence
Une voix qui met deux secondes à commencer à parler après la fin du tour de l’appelant donne l’impression d’être en panne, aussi belle soit-elle. Dans une conversation, on attend une réponse en environ 200 millisecondes. Au-delà d’une seconde, les appelants se répètent ou parlent par-dessus l’agent.
La latence est une propriété du modèle TTS, pas de la voix elle-même. Mais elle limite les voix que vous pouvez utiliser. Une voix qui exige un traitement lourd pour sonner naturelle peut ne pas convenir à un agent vocal en temps réel, même si elle est parfaite en démo.
Voix du catalogue ou voix clonées
La plupart des marques devraient commencer par une voix du catalogue (stock voice). Les voix du catalogue sont prêtes à l’emploi, testées et disponibles immédiatement. La bibliothèque de voix de Cartesia comprend des voix conçues pour des cas d’usage précis — support client, ventes, prise de rendez-vous, et plus encore.
Le clonage de voix se justifie dans deux situations :
- La continuité de marque. Si votre entreprise a déjà une voix reconnue — un porte-parole, un animateur de podcast, un PDG qui présente les résultats — cloner cette voix maintient la cohérence entre les canaux.
- La différenciation. Si tous vos concurrents utilisent les mêmes trois voix du catalogue, une voix clonée vous distingue.
Cartesia propose deux options de clonage : le clonage vocal instantané à partir de 5 secondes d’audio, et le clonage vocal professionnel à partir de 30 minutes et plus pour une fidélité supérieure. Le clonage instantané est rapide et convient bien au prototypage. Le clonage professionnel capte davantage de nuances et convient mieux à la production.
Un cadre pour choisir
Voici la démarche que nous recommandons :
Étape 1 : définissez le cas d’usage. Notez les trois tâches principales que l’agent vocal gère. Pour chacune, précisez le registre émotionnel, le vocabulaire à maîtriser et les conséquences d’un malentendu.
Étape 2 : présélectionnez des voix. Retenez trois à cinq voix de la bibliothèque qui correspondent au registre recherché. Ne réfléchissez pas trop à cette étape — vous affinerez pendant les tests.
Étape 3 : testez avec de vrais scripts. Écrivez les dix phrases que l’agent dira le plus souvent, y compris les plus difficiles : excuses, refus, confirmations pleines de chiffres et noms de produits. Générez l’audio pour chaque voix et écoutez-les à la suite.
Étape 4 : testez en contexte. Si l’agent sera au téléphone, écoutez l’audio sur un haut-parleur de téléphone, pas au casque studio. Si les appelants seront dans des environnements bruyants, ajoutez du bruit de fond. La voix qui sonne le mieux dans une pièce silencieuse n’est pas forcément celle qui sonne le mieux dans une voiture.
Étape 5 : pilotez avec de vrais appelants. Faites tourner la voix en production pendant une semaine. Écoutez les enregistrements. Prêtez attention aux moments où l’appelant demande à l’agent de répéter — ce sont des échecs d’intelligibilité. Prêtez attention aux moments où le ton de l’appelant change — ce sont des décalages de registre.
Erreurs fréquentes
- Choisir une voix qui ressemble au fondateur. Les goûts du fondateur ne sont pas l’expérience du client. Testez avec de vrais appelants.
- Utiliser la même voix pour tous les cas d’usage. Une entreprise qui a à la fois une ligne de support et une ligne commerciale peut avoir besoin d’une voix différente pour chacune. La marque, c’est l’entreprise, pas la voix.
- Ignorer le volet STT. La voix avec laquelle l’agent parle n’est que la moitié de l’équation. Si le modèle speech-to-text ne comprend pas l’accent de l’appelant, la meilleure voix du monde ne sauvera pas la conversation. Ink, notre modèle STT en streaming, gère la parole accentuée et les environnements bruyants — mais testez-le avec votre base d’appelants réelle.
- Optimiser pour la démo. Une voix qui impressionne en démo commerciale peut ne pas tenir sur un appel de support de dix minutes. L’écoute prolongée révèle des artefacts et des tics que les extraits courts masquent.