Une voix fabriquée
Une voix se fabrique en superposant des harmoniques, puis en les faisant résonner comme un conduit vocal. Cette démonstration fabrique un même son deux fois, une fois grossièrement et une fois avec soin, et vous laisse comparer ce qui s’entend et ce qui se voit sur son tracé.
Tout se calcule dans votre navigateur. Les deux sons sont fabriqués sur cet appareil, leur spectre y est calculé, et aucun son n’est envoyé ni reçu d’aucun serveur. Ouvrez l’onglet Réseau de votre navigateur et manipulez la démonstration : aucune requête ne part. Les deux boutons « Écouter » émettent un son : montez le volume si vous voulez l’entendre, ou lisez directement les tracés, légendés pour se lire sans lui.
Un même son, fabriqué deux fois
Les deux sons de cette page partent du même point de départ : la même hauteur, la même graine, la même durée d’une seconde. L’un est laissé brut, l’autre reçoit un traitement supplémentaire, décrit plus bas à la section « La méthode ». Rien d’autre ne les distingue.
Lancez la fabrication. Les deux sons, leurs deux spectrogrammes et l’écart mesuré entre harmoniques et fond s’afficheront ici, avec un bouton « Écouter » pour chacun.
Ce que la démonstration montre
Un train d’harmoniques, nu ou mis en forme
Les deux sons partent du même geste : une série d’harmoniques accordée sur la même hauteur, la même graine, la même durée. La version brute s’arrête là. La version soignée fait deux choses de plus : elle façonne l’amplitude de chaque harmonique par trois résonances fixes, qui donnent sa couleur à une voyelle, et elle ajoute une micro-variation de hauteur et d’amplitude d’une période à l’autre, plus un souffle de faible niveau. Rien d’autre ne les sépare.
Sur le tracé, la différence se voit avant de s’entendre : la version brute montre des bandes fines et parfaitement nettes, sans presque aucune énergie entre elles. La version soignée montre des bandes plus larges, concentrées aux trois résonances, avec un fond légèrement grisé entre les harmoniques : c’est le souffle.
Un écart qui s’efface avec presque rien
Cet écart, entre le niveau des harmoniques et le niveau du fond entre elles, se mesure en décibels sur une seule image de soixante-quatre millisecondes prise au milieu du son. Les valeurs relevées à la hauteur par défaut, cent trente hertz, sont celles-ci.
| Bruit de ligne ajouté | Version brute | Version soignée |
|---|---|---|
| aucun | 49,7 | 11,7 |
| 1 % | 30,3 | 11,5 |
| 2 % | 24,6 | 11,3 |
| 5 % | 17,1 | 10,6 |
| 10 % | 11,8 | 9,8 |
| 20 % | 8,4 | 8,4 |
Sans aucun bruit ajouté, l’écart de la version brute est près de quatre fois plus grand que celui de la version soignée : un train d’harmoniques nu, sans souffle ni irrégularité, est plus net qu’aucune voix réelle ne l’est jamais. Ajoutez le moindre bruit de ligne, et cet excès de netteté s’effondre : à dix pour cent, l’écart de la version brute a déjà été divisé par plus de quatre. À vingt pour cent, les deux écarts sont rigoureusement égaux : la mesure ne distingue plus la version brute de la version soignée.
Ce qui rend un son trop net pour être vrai est justement ce qu’une ligne téléphonique ordinaire efface en premier.
La méthode
Ce que chaque version calcule, pour qui veut le refaire sans cette page.
- Fabriquer un train d’harmoniques accordé sur la hauteur choisie : pour chaque rang entier, un sinus à ce rang fois la fréquence fondamentale, d’amplitude un sur ce rang. C’est la forme d’une source glottique simplifiée, commune aux deux versions.
- Version brute : s’arrêter là. Une enveloppe d’amplitude très courte aux deux bords évite seulement le clic du début et de la fin : rien d’autre n’est ajouté.
- Version soignée : façonner l’amplitude de chaque harmonique par trois résonances fixes, usuelles pour la voyelle choisie, pas mesurées sur une personne réelle. Faire varier la hauteur et l’amplitude d’une période à l’autre, d’une petite fraction tirée par la graine. Mélanger un souffle : un bruit de faible niveau, tiré par la même graine.
- Ramener les deux sons à la même amplitude crête, pour que la comparaison ne tienne jamais à un simple écart de volume.
- Si le réglage le demande, ajouter après coup le même bruit de ligne aux deux sons : c’est ce qu’une transmission ordinaire ajoute de toute façon, qu’il y ait fabrication ou non.
- Mesurer : prendre une image de 1024 échantillons au centre du son, calculer son spectre par transformée de Fourier, relever le niveau de chaque harmonique, relever le niveau moyen entre elles, et soustraire.
Changez la hauteur ou la voyelle dans la démonstration, et les résonances se déplacent avec elles : la mesure suit le son, elle ne recopie jamais un chiffre écrit d’avance.
Ce que cette démonstration ne fait pas
- Elle montre qu’un son de parole se fabrique en deux étages : une source qui vibre, un conduit qui résonne, et que le second étage change tout ce qui rend un son vivant.
- Elle montre un écart mesurable entre les harmoniques et le fond du spectre, présent dans les deux versions.
- Elle montre à partir de quel bruit de ligne cet écart cesse de distinguer les deux versions.
- Elle ne détecte rien. Cette page fabrique elle-même les deux sons : elle sait laquelle est laquelle, elle ne le devine pas.
- Elle ne juge aucun enregistrement que vous lui apporteriez, et elle n’accepte aucun fichier. Un outil qui prétendrait trancher sur une voix réelle mentirait.
- Elle ne reproduit pas un système de clonage vocal réel. Ceux-ci apprennent leurs réglages depuis l’enregistrement d’une vraie personne, quand ici les trois résonances sont posées à la main, sur un son de synthèse.
Ce que la recherche a mesuré
Trois résultats publiés situent ce que cette page fait sentir en une minute.
Le clonage d’une voix demande aujourd’hui très peu de matière : un travail évalué par les pairs décrit un système, nommé VALL-E, capable de synthétiser une parole personnalisée jugée de haute qualité à partir d’un enregistrement de trois secondes seulement d’une personne qu’il n’a jamais entendue. Trois secondes, c’est moins que le temps de dire son propre prénom.
Les indices qui restent tiennent à des artefacts de traitement du signal identifiables dans l’audio fabriqué, et la recherche sur leur détection s’appuie précisément sur ce genre de trace pour construire ses jeux de données de référence. Mais les systèmes chargés de les repérer manquent encore de robustesse face aux conditions acoustiques réelles, et se généralisent mal à des méthodes de génération qu’ils n’ont pas vues à l’entraînement.
Aucune de ces sources ne mesure directement l’oreille humaine face à une voix clonée récente : ce n’est donc pas une affirmation que cette page peut faire à leur place. Ce qu’elles permettent de dire est plus modeste, et tout aussi utile : un système entraîné spécialement pour repérer une voix fabriquée peine déjà à généraliser à une méthode nouvelle, et un excès de netteté spectrale, quand il existe, est justement le genre de trace qu’un bruit de ligne ordinaire efface avant qu’il ne serve à personne, humain ou détecteur.
Une voix connue, au téléphone
En janvier 2024, une autorité publique américaine, la Federal Communications Commission, a documenté et sanctionné juridiquement une campagne réelle de fraude : un appel automatisé, diffusé dans le New Hampshire avant la primaire présidentielle de l’État, portait une voix clonée par IA imitant le président Joe Biden, et demandait aux électeurs de rester chez eux et de « garder leur vote » en sautant cette primaire. Rien dans le son n’avertissait qui que ce soit de sa fabrication.
Un appel téléphonique compresse déjà le son, y ajoute du bruit de ligne, et ne laisse à l’oreille qu’une bande de fréquences étroite. C’est exactement la combinaison que cette page vient de fabriquer avec son propre réglage de bruit de ligne : les conditions où un indice a le plus de chances de disparaître sont celles d’un appel ordinaire, pas celles d’un studio d’enregistrement.
Le geste à garder
Devant une voix connue qui demande, par téléphone, quelque chose d’urgent, un virement, un code, une adresse, n’essayez pas de juger la voix : cette page vient de montrer à quel point c’est peu fiable. Raccrochez, et rappelez vous-même au numéro que vous avez déjà, pas à celui qui vient d’appeler. Si l’appel doit continuer tout de suite, posez une question dont la réponse n’est écrite nulle part en public. Une famille ou une équipe peut aussi convenir à l’avance d’un mot que seule la vraie personne connaît, pour les situations où l’urgence rend tout le reste difficile à vérifier. Le geste ne coûte rien : la fraude documentée ci-dessus, elle, a coûté cher à qui a fait confiance à son oreille.
Pour aller plus loin
Le même travail sur une image est au chapitre une image fabriquée. Les deux façons de marquer un contenu à la source sont au chapitre les filigranes. Les situations où l’outil se referme sont réunies dans quand ne pas s’en servir. Toutes les démonstrations du site sont réunies à la page démonstrations, et le sommaire du cours à la page comprendre.
Sources
- WaveFake: A Data Set to Facilitate Audio Deepfake Detection Joel Frank, Lea Schönherr, 2021. Établit que la recherche sur la détection de voix synthétique s’appuie sur des artefacts de traitement du signal identifiables dans l’audio généré, et fournit un jeu de données de référence pour les étudier.
- ASVspoof 2021: Towards Spoofed and Deepfake Speech Detection in the Wild Xuechen Liu, Xin Wang, Md Sahidullah, Jose Patino, Hector Delgado, Tomi Kinnunen, Massimiliano Todisco, Junichi Yamagishi, Nicholas Evans, Andreas Nautsch, Kong Aik Lee, 2021. Établit que les systèmes de détection de la parole synthétique manquent encore de robustesse face aux environnements acoustiques réels, et se généralisent mal à des méthodes de génération non vues à l’entraînement.
- FCC Makes AI-Generated Voices in Robocalls Illegal (déclaration adoptée : FCC 24-17) Federal Communications Commission (FCC), 2024. Établit qu’une autorité publique américaine a documenté et sanctionné juridiquement une campagne réelle de fraude utilisant une voix clonée par IA imitant un responsable politique auprès d’électeurs avant une élection.
- Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers Chengyi Wang, Sanyuan Chen, Yu Wu, Ziqiang Zhang, Long Zhou, Shujie Liu, Zhuo Chen, Yanqing Liu, Huaming Wang, Jinyu Li, Lei He, Sheng Zhao, Furu Wei, 2023. Établit que le système VALL-E synthétise une parole personnalisée jugée de haute qualité à partir d’un enregistrement de trois secondes seulement d’une personne qu’il n’a jamais entendue.