Voix pour l’e-learning : synthèse vocale ou talents vocaux ?

Les sociétés qui développent leurs programmes d’e-learning ne peuvent négliger l’importance d’ajouter des éléments audio à leurs matériels pédagogiques. Les professionnels du L&D (apprentissage et développement) savent que l’intégration de contenu audio est fondamentale, aussi bien pour la conception pédagogique que la mise en œuvre des formations. L’audio permet aux apprenants d’assimiler plus efficacement les points clés, voire des sections entières, grâce à la lecture à voix haute.

L’écoute est salutaire pour de nombreux profils d’apprenants, notamment ceux souffrant de dyslexie ou de troubles visuels. Elle peut également être bénéfique pour les personnes ayant un faible niveau de lettrisme ou qui apprennent une deuxième langue. Une version audio du contenu peut aussi s’avérer très utile pour les professionnels et particuliers pris par le temps ou souvent en déplacement. En fait, des études montrent que les formes de présentation bimodales (par exemple, à la fois audio et visuelles) favorisent la mémorisation des informations et la compréhension de lecture et améliorent les compétences de décodage.

Alors, par où devez-vous commencer lorsque vous prenez la décision d’intégrer du contenu audio à vos matériels pédagogiques ?

Deux possibilités s’offrent à vous : Recruter des talents vocaux pour créer la voix off de votre e-learning ou tirer parti de la technologie de synthèse vocale (TTS). Dans la plupart des cas, la synthèse vocale constitue le meilleur choix, ce que confirment les chercheurs.

Le recours à des talents vocaux pour vos contenus pédagogiques multimédias vous coûte trop cher ? Les voix de synthèse réalistes pour l’e-learning de ReadSpeaker vous apportent la solution. Contactez-nous pour obtenir plus d’informations.

Voix pour l’e-learning : les défis liés au recours à des talents vocaux

Jusqu’à présent, les sociétés faisaient généralement appel à des talents professionnels pour vocaliser leurs contenus ; une initiative complexe pour les concepteurs pédagogiques, qui doivent considérer et conjuguer toutes les implications associées, du coût à la disponibilité des talents, en passant par l’accent, le sexe et la langue.

Au bout du compte, toutes ces considérations se traduisent par un lourd investissement, aussi bien en termes de temps que d’argent. Ainsi, le recours à des talents vocaux peut rapidement placer votre société dans une position inconfortable, par manque de budget et de temps. Et la situation se complique encore si vous avez besoin de plusieurs voix et de plusieurs langues.

Certaines sociétés adoptent une approche différente en utilisant des ressources internes pour les voix off, mais cela n’est pas non plus sans inconvénients. Les employés prêtant leur voix ne sont pas toujours disponibles. Certains peuvent s’absenter au mauvais moment, d’autres peuvent tomber malades, ou tout simplement quitter l’entreprise… La disponibilité des talents vocaux internes lors des sessions d’enregistrement programmées est donc soumise à une multitude d’aléas, qui peuvent faire prendre un retard critique aux projets en cours. De plus, toutes les sociétés n’ont pas la possibilité de fournir des matériels traduits à leur personnel multilingue via une approche en libre-service.

Avantages des voix de synthèse par rapport aux talents vocaux pour l’e-learning

Pour les sociétés qui cherchent à minimiser le coût et à maximiser la cohérence, la qualité et la simplicité de leurs contenus pédagogiques, la synthèse vocale représente la solution la plus judicieuse. En effet, les voix de synthèse vous permettent de donner à l’ensemble de vos matériels pédagogiques une voix reconnaissable et uniforme.

Avec la synthèse vocale, vous pouvez modifier votre contenu audio quand vous le souhaitez, sans investir dans la location d’un studio et le recrutement de talents vocaux. De plus, grâce aux récents développements dans le domaine de la synthèse vocale, vous pouvez désormais ajuster l’intensité, l’accentuation, le rythme et les pauses dans le contenu audio. Au-delà du réalisme de votre voix de synthèse, ces développements lui confèrent une dimension émotionnelle et permettent une lecture à voix haute qui favorise l’engagement des apprenants.

Les raisons pour lesquelles de nombreux concepteurs pédagogiques délaissent les talents vocaux au profit de la synthèse vocale ont fait l’objet d’une récente étude. Ces raisons sont variées, mais il en est une citée par toutes les entreprises participantes : la synthèse vocale simplifie la gestion et la modification des contenus. L’un des répondants, ayant eu recours à des talents vocaux par le passé, fait le commentaire suivant :

« De notre point de vue, les longs délais de production, la nécessité d’établir les calendriers autour des voix off et le réenregistrement de segments entiers pour la moindre correction (notamment pour le calage audio) étaient trop coûteux et demandaient trop de temps. »

Avec la synthèse vocale, nous restons totalement maîtres des créations vocales pour nos matériels pédagogiques.

La synthèse vocale apporte des atouts incomparables à l’univers de l’e-learning, et ce, à bien des égards. Elle offre notamment les possibilités suivantes :

1. Produire du contenu multilingue pour un personnel diversifié.
2. Intégrer plusieurs voix de façon bien plus économique qu’en recrutant des talents vocaux.
3. Développer des scripts sur lesquels s’appuiera la création de produits finaux enregistrés par des talents vocaux.
4. Diffuser du contenu audio en streaming ou intégrer la synthèse vocale localement à des applications mobiles, des applications logicielles installées ou des appareils, de sorte que chacun puisse écouter votre contenu textuel au format numérique en un clic.

Bien sûr, une question cruciale demeure : les voix off de synthèse sont-elles aussi efficaces que les voix humaines enregistrées pour l’e-learning ?

Plusieurs chercheurs se sont penchés sur la question et leurs conclusions peuvent surprendre les adeptes de la méthode traditionnelle.

Des études montrent que les voix de synthèse modernes sont à la hauteur des voix humaines pour les scénarios d’apprentissage

En 2017, les chercheurs Scotty D. Craig et Noah L. Schroeder ont publié une étude intitulée « Reconsidering the voice effect when learning from a virtual human. » (Reconsidérer les effets de la voix dans l’enseignement par un avatar).

Ils ont utilisé un moteur de synthèse vocale classique de Microsoft comme base de référence et la voix « Kate » de NeoSpeech (désormais propriété de la marque ReadSpeaker) comme représentante d’un moteur moderne. Une voix humaine a été utilisée comme témoin neutre. Chacune de ces voix a été affectée à un avatar spécifique, présentant les informations à un échantillon d’apprenants.

L’étude a révélé que la voix de synthèse affichait des performances équivalentes, voire supérieures à celles de la voix humaine. L’une des conclusions de l’étude l’exprime clairement :

« Le moteur de synthèse vocale moderne produit de bien meilleurs résultats quant au transfert d’informations et offre une efficacité de formation supérieure. Il a été évalué comme équivalent à un agent ayant une voix humaine en termes de facilitation de l’apprentissage et de crédibilité et a été jugé bien plus performant que le moteur de synthèse vocale ancien. Ceci remet en question les résultats précédents, qui s’appuyaient sur des moteurs de synthèse vocale plus anciens, ainsi que l’argument lié à l’effet de la voix ». (Ce sur quoi nous mettons l’accent.)

Ces conclusions bousculent les hypothèses antérieures concernant la supériorité de la voix humaine par rapport à la voix de synthèse dans l’apprentissage, réfutant l’argument que les chercheurs nomment l’« effet de la voix ». Nous expliquons ci-après ce que cela signifie et pourquoi la technologie TTS avancée a rendu cet argument obsolète.

Reconsidérer l’« effet de la voix » dans les environnements d’e-learning

L’« effet de la voix » ou le « principe de la voix » est une théorie développée par le professeur en psychologie Richard E. Mayer, de l’Université de Californie à Santa Barbara. Selon les écrits de Mayer dans le Cambridge Handbook of Multimedia Learning :

« Le principe de la voix repose sur l’idée que l’apprentissage est plus efficace lorsqu’une voix humaine plutôt qu’une voix de synthèse est utilisée pour la narration dans une situation d’apprentissage multimédia. »

Mayer a pu soutenir cette conclusion par des arguments probants. Cependant, quatre des études sur lesquelles elle repose ont été publiées il y a au moins 10 ans. Depuis, la technologie vocale a rapidement évolué et les logiciels de synthèse vocale se sont considérablement améliorés.

Les premières recherches de Mayer et al. et principalement l’étude de 2003 « Multimedia learning: Role of speaker’s voice » (Apprentissage multimédia : rôle de la voix du narrateur) mettaient effectivement en lumière la supériorité des voix humaines par rapport aux voix de synthèse. Cependant, les résultats d’une étude similaire de Mayer et DaPra réalisée en 2012, basée cette fois une technologie vocale avancée, indiquent que l’apprentissage est tout aussi efficace pour les deux groupes étudiés, l’un utilisant un agent avec une voix humaine, l’autre un agent doté d’une voix de synthèse. Ceci suggère donc que l’effet de la voix n’existe plus.

Mayer, le père de la théorie de l’effet de la voix, n’est pas le seul chercheur à avoir constaté l’obsolescence de ses conclusions.

Nous avons déjà évoqué l’étude réalisée en 2017 par les chercheurs Craig et Schroeder « Reconsidering the voice effect when learning from a virtual human » (Reconsidérer les effets de la voix dans l’enseignement par un avatar). L’année suivante, ils ont publié l’étude de suivi « Text-to-Speech Software and Learning: Investigating the Relevancy of the Voice Effect » (Logiciels de synthèse vocale et apprentissage : recherches sur la pertinence de l’effet de la voix).

Ils ont de nouveau comparé les performances d’un moteur de synthèse vocale avancé, d’un moteur plus ancien et d’une voix humaine. Et encore une fois, ils n’ont relevé aucune différence statistique en termes de « perception, résultats d’apprentissage ou charge cognitive ».

La conclusion de Craig et Schroeder est la suivante :

« Nos résultats suggèrent que les technologies logicielles sont désormais en mesure d’assurer la narration dans des environnements d’apprentissage multimédias de manière crédible et efficace. »

Au moment où nous publions ces lignes, près de cinq années se sont écoulées depuis cette conclusion. Durant cette période, la technologie TTS a encore connu des avancées spectaculaires. Aujourd’hui, les voix de synthèse sont encore plus réalistes que celles étudiées par Craig et Schroeder.

Ces résultats ont des répercussions importantes pour les établissements d’enseignement et les concepteurs pédagogiques. Les solutions basées sur la synthèse vocale, qui permettent des modifications dynamiques, sont plus économiques et bien plus rapides que celles nécessitant l’enregistrement de voix humaines. Si elles offrent des performances équivalentes (voire supérieures), le choix des concepteurs pédagogiques est clair.

D’après certaines études en cours, les moteurs de synthèse vocale affichent à présent un niveau de performances acceptable pour une utilisation au sein de technologies d’apprentissage. Ces constats mettent en lumière l’opportunité d’utiliser des voix de synthèse pour développer des technologies d’apprentissage plus dynamiques, moins coûteuses et offrant de meilleurs résultats. En d’autres termes, lorsque vous concevez des matériels pédagogiques, privilégiez les voix de synthèse par rapport aux talents vocaux.

Voix de synthèse pour l’e-learning de ReadSpeaker

Chez ReadSpeaker, le développement des voix de synthèse les plus avancées et les plus performantes est une véritable passion. Des spécialistes indépendants du secteur évaluent les voix de synthèse ReadSpeaker comme les plus précises du marché.

Nous utilisons un processus multiphase pour générer des voix aux sonorités quasi humaines. Elles sont basées sur des enregistrements vocaux humains, qui sont échantillonnés, puis traités. Des annotations riches sont créées pour chaque mot, chaque phonème et chaque accentuation, à l’aide d’une puissante combinaison de technologies d’intelligence artificielle et de machine learning. De plus, nos méthodologies de pointe sont enrichies par l’expertise linguistique de nos équipes.

Les solutions TTS haut de gamme de ReadSpeaker couvrent plus de 50 langues et offrent un choix de 200 voix, répondant aux besoins spécifiques de chaque client. Mais la synthèse vocale ReadSpeaker offre encore bien d’autres avantages :

• Dictionnaires de prononciation par défaut et personnalisés
• Ajustement de la prosodie et prise en charge SSML
• Assistance continue de nos équipes de linguistes pour améliorer en permanence la prononciation des voix de synthèse

Vous aimeriez savoir ce que ReadSpeaker peut apporter à votre contenu e-learning ? Nous offrons des solutions de production vocale et de lecture en ligne ainsi que des solutions de synthèse vocale intégrées répondant aux besoins de tous les projets d’e-learning.

Contactez-nous dès aujourd’hui. Nous aborderons ensemble la manière dont les voix de synthèse pour l’e-learning peuvent favoriser la réussite de vos apprenants.