Lorsqu’un benchmark de 2026 a demandé à des systèmes de synthèse vocale (TTS) neuronale d’accentuer le bon mot dans deux versions de la même phrase, les scores Pair-Correct étaient proches de zéro pour presque tous, et le meilleur résultat était de 11,5%, même avec l’accent marqué explicitement dans l’entrée (Turetzky et al., benchmark CAST 2026). Le même schéma traverse le reste de la recherche sur la prosodie : dans une étude sur des livres audio japonais, l’erreur de hauteur a à peu près doublé entre la resynthèse par vocodeur et le TTS complet, un classifieur d’émotions qui obtenait 99,64% sur des enregistrements humains n’en obtenait que 15,31% sur des enregistrements synthétisés, et les modèles propriétaires restaient 0,93 point sous les enregistrements réels en richesse expressive en lecture longue. Les scores de naturel global sont désormais proches des enregistrements humains (voir nos statistiques MOS de la parole synthétique), mais c’est dans la mélodie, le rythme et l’accentuation que se loge l’écart restant. Nous avons agrégé des données issues du Journal of the Brazilian Computer Society, d’Interspeech et des ISCA Speech Synthesis Workshops, du Blizzard Challenge, d’ACL 2026 Findings, du Journal of the Acoustical Society of America, de LabPhon et de plus d’une douzaine d’articles arXiv.
TL;DR
- 95 des 100 études d’évaluation de la prosodie de 2020 à 2024 analysaient la hauteur (F0), et la RMSE de F0 était la métrique la plus utilisée (Galdino et al., JBCS 2025).
- La RMSE de log F0 n’est corrélée aux notes de prosodie humaines qu’à r = 0,30 (Yang et al., ProsodyEval 2025).
- L’erreur de hauteur (RMSE de F0) était de 14,03 pour la ligne HiFi-GAN limitée au vocodeur, contre 27,93 pour le meilleur modèle TTS complet (Xin et al., TTS de livres audio 2022).
- Un TTS cantonais de référence commettait 32,76% d’erreurs de trame F0 sur les questions déclaratives, contre 13,53% sur les affirmations (Bai et al., Interspeech 2022).
- Les auditeurs n’ont entendu comme des questions que 21,83% des questions déclaratives synthétisées par le système de référence (Bai et al., Interspeech 2022).
- Le placement correct de l’accent selon Pair-Correct plafonnait à 11,5% sur l’ensemble des systèmes TTS testés, alors qu’un modèle travaillant uniquement sur le texte atteignait 76,1% (Turetzky et al., CAST 2026).
- Les auditeurs ont reconnu la colère dans 37% des enregistrements humains mais dans 7% des extraits synthétisés (Abilbekov et al., KazEmoTTS 2024).
- La reconnaissance des émotions sur la sortie de CosyVoice 2 est tombée de 83,93% (parole réelle) à 34,57% lorsque la prosodie devait venir du texte (Ge et al., 2026).
- Les notes de phrases isolées n’expliquaient qu’environ 12% de la variance des notes de paragraphes (Clark et al., SSW10 2019).
- Les TTS propriétaires en lecture longue obtenaient en moyenne 3,42 en richesse expressive, contre 4,35 pour la parole réelle (Pan et al., SwanBench-Speech, ACL 2026 Findings).
- Les lecteurs humains allaient à 3,20 syllabes par seconde en lisant, contre 4,96 en parlant librement (Jacewicz et al., JASA 2010).
1. Mesurer la prosodie : le problème des métriques
Le domaine mesure surtout la prosodie avec un seul chiffre, et ce chiffre reflète à peine ce qu’entendent les auditeurs. La RMSE de log F0, la métrique d’erreur de hauteur par défaut, était corrélée aux notes de prosodie humaines à r = 0,30, soit moins de la moitié de la corrélation d’une métrique plus récente fondée sur des tokens (Yang et al., ProsodyEval 2025). F0 (fréquence fondamentale) est la mesure acoustique qui sous-tend la hauteur perçue, et la RMSE (erreur quadratique moyenne) compare trame par trame la courbe de hauteur synthétique à un enregistrement humain de la même phrase.
Le problème est structurel : une phrase peut être bien lue avec de nombreuses mélodies différentes, si bien qu’une distance à une seule référence pénalise une variation pourtant valide. Même les grands modèles de langage audio ne sont pas encore une solution, puisque Gemini 2.5 Pro a obtenu une corrélation de r = 0,27 avec les notes de prosodie humaines dans le même benchmark de 1 000 échantillons, 7 systèmes TTS et 2 000 notes humaines.
| Métrique | Valeur | Source |
|---|---|---|
| Études d’évaluation de la prosodie examinées (publiées de 2020 à 2024) | 100 | Galdino et al., JBCS 2025 |
| Études ayant analysé la hauteur (F0) | 95 sur 100 | Galdino et al., JBCS 2025 |
| Études par langue : anglais / mandarin / japonais | 48 / 27 / 15 | Galdino et al., JBCS 2025 |
| Corrélation avec les notes de prosodie humaines : RMSE de log F0 | r = 0,30 [0,19 ; 0,40] | Yang et al., ProsodyEval 2025 |
| Corrélation avec les notes de prosodie humaines : DS-WED (métrique fondée sur des tokens) | r = 0,77 [0,73 ; 0,81] | Yang et al., ProsodyEval 2025 |
| Gemini 2.5 Pro comme juge de prosodie, corrélation avec les notes humaines | r = 0,27 | Yang et al., ProsodyEval 2025 |
Contexte : la revue systématique du Journal of the Brazilian Computer Society a aussi constaté que LJ Speech, un corpus anglais mono-locuteur de non-fiction lue, était le jeu de données le plus utilisé, de sorte qu’une bonne partie des preuves publiées décrit un seul style de lecture dans une seule langue. Un autre benchmark portant sur 35 systèmes TTS de 2008 à 2024 indique que la prosodie compte davantage pour les systèmes les plus récents, et ses auteurs suggèrent que les évaluateurs humains s’y concentrent plus à mesure que les problèmes de bruit et d’intelligibilité s’estompent (Minixhofer et al., TTSDS 2024).
2. Erreur de hauteur et de durée mesurée par rapport aux enregistrements humains
Lorsqu’une étude sépare le vocodeur de l’étape qui prédit la prosodie à partir du texte, l’essentiel de l’erreur de hauteur apparaît dans la seconde. Dans une étude sur des livres audio japonais, la RMSE de F0 était de 14,03 pour la ligne HiFi-GAN limitée au vocodeur et de 27,93 pour le meilleur modèle TTS complet, soit environ 2 fois plus (27,93 / 14,03 = 1,99) (Xin et al., TTS de livres audio 2022). Un vocodeur est l’étape finale qui transforme les caractéristiques acoustiques en forme d’onde, si bien qu’un score limité au vocodeur approxime le plancher d’erreur de la chaîne audio elle-même.
Les prédicteurs plus récents ne gagnent que quelques points. Un modèle de prosodie de 2025 entraîné sur environ 750 heures d’audio anglais a reproduit la hauteur de référence dans 43,9% des trames, contre 40,2% pour la meilleure référence. La variété prosodique est aussi fragile : l’ajustement fin par préférences (DPO) a réduit de 18,8% la diversité prosodique mesurée d’un système.
| Métrique | Valeur | Source |
|---|---|---|
| RMSE de F0 : vocodeur seul (HiFi-GAN) contre meilleur modèle TTS complet (livres audio japonais) | 14,03 contre 27,93 | Xin et al., TTS de livres audio 2022 |
| Erreur brute de hauteur : vocodeur seul (HiFi-GAN) contre meilleur modèle TTS contre système de référence | 2,2 contre 12,57 contre 14,16 | Xin et al., TTS de livres audio 2022 |
| Préférence AB : modèle sensible au contexte contre système de référence (40 auditeurs) | 61,5% contre 38,5% | Xin et al., TTS de livres audio 2022 |
| RMSE de F0 : modèle hiérarchique de lecture longue contre FastSpeech 2 avec BERT de référence (livres audio en mandarin) | 36,61 contre 51,12 | Guo et al., HiGNN-TTS 2023 |
| MSE de durée : modèle hiérarchique de lecture longue contre système de référence | 0,1083 contre 0,1421 | Guo et al., HiGNN-TTS 2023 |
| Précision brute de hauteur (part des trames proches de la hauteur humaine) : ProMode contre StyleTTS 2 de référence | 43,9% contre 40,2% | Eren et al., ProMode 2025 |
| Variation de la diversité prosodique après ajustement fin DPO, CosyVoice 2 (LibriSpeech) | -18,8% | Yang et al., ProsodyEval 2025 |
Note sur les valeurs aberrantes : les valeurs de RMSE de F0 ne sont comparables qu’au sein d’un même article, car les unités, l’alignement et les jeux de données diffèrent. L’article ProMode n’indique pas d’unités pour sa RMSE, et le texte de HiGNN-TTS décrit son propre résultat sur F0 en des termes qui contredisent son tableau, c’est pourquoi nous rapportons les valeurs du tableau.
3. Questions, syntaxe et homographes : lire correctement le type de phrase
L’intonation interrogative échoue là où la grammaire ne donne aucun indice. Un système Tacotron 2 cantonais de référence a commis des erreurs de trame F0 sur 32,76% des trames dans les questions déclaratives, contre 13,53% dans les affirmations, et les auditeurs n’ont identifié comme des questions que 21,83% de ses questions déclaratives (Bai et al., Interspeech 2022). Une question déclarative est une phrase de forme affirmative qui doit se terminer par une hauteur montante ; dans le corpus CanTTS, elles représentent environ 1 000 énoncés sur 12 010, si bien que le modèle voit rarement ce schéma. L’erreur de trame F0 compte les trames où la hauteur, ou la présence de voisement, s’écarte nettement de l’enregistrement humain.
Le correctif de cette étude, un classifieur de texte distinct question contre affirmation, a fait monter l’identification à 98,41%. Les systèmes plus récents restent inégaux : dans le benchmark EmergentTTS-Eval 2025, noté par un juge IA face à un système commercial de référence où 50% signifie la parité, les modèles open source Sesame1B, Orpheus-TTS et Qwen 2.5 Omni ont remporté 31,78%, 39,64% et 49,28% des invites de questions (Manku et al., Boson AI, EmergentTTS-Eval 2025).
| Métrique | Valeur | Source |
|---|---|---|
| Questions déclaratives identifiées comme des questions : Tacotron 2 de référence contre modèle avec classifieur de questions | 21,83% contre 98,41% | Bai et al., Interspeech 2022 |
| Erreur de trame F0 sur les questions déclaratives contre sur les affirmations, Tacotron 2 de référence | 32,76% contre 13,53% | Bai et al., Interspeech 2022 |
| Intonation interrogative perçue correctement : resynthèse par vocodeur contre deux systèmes TTS émotionnels de référence | 99,2% contre 81,6% et 85,9% | Tang et al., QI-TTS 2023 |
| Taux de victoire face au système de référence, catégorie Questions : GPT-4o-audio (meilleur global) contre Sesame1B | 56,96% contre 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Taux de victoire face au système de référence, complexité syntaxique : Orpheus-TTS contre Sesame1B | 38,92% contre 18,88% | Boson AI, EmergentTTS-Eval 2025 |
| Taux de victoire face au système de référence, prononciation complexe : Qwen 2.5 Omni | 3,30% | Boson AI, EmergentTTS-Eval 2025 |
| Accord entre le classement du juge IA et le classement humain (Spearman) | 90,5% | Boson AI, EmergentTTS-Eval 2025 |
| Test d’homographes en français (Blizzard 2023) : niveau du hasard contre meilleurs systèmes | 50% contre plus de 80% | Perrotin et al., Blizzard Challenge 2023 |
Contexte : les homographes (mots écrits de la même façon mais prononcés différemment, comme le français ‘est’, verbe ou point cardinal) ont été notés par 218 auditeurs lors d’un test ABX dans le Blizzard Challenge 2023, et les organisateurs ont associé les meilleurs résultats à des systèmes utilisant un grand modèle de langage dans l’encodeur de texte. L’étude QI-TTS date de mars 2023 ; ce sont les données les plus récentes disponibles pour cette mesure.
4. Emphase et accent contrastif
Placer l’accent sur le bon mot est l’échec actuel le plus net. Dans le benchmark CAST de 113 paires contrastives (226 éléments), les scores Pair-Correct (le bon mot accentué dans les deux versions d’une paire) étaient proches de zéro pour presque tous les systèmes, et le meilleur était de 11,5%, atteint uniquement lorsque l’accent était marqué explicitement dans l’entrée (Turetzky et al., CAST 2026). Le même benchmark a montré qu’un modèle de langage travaillant uniquement sur le texte peut déduire l’accent voulu à partir du contexte dans 76,1% des cas : l’information est donc disponible, mais les systèmes TTS ne la traduisent pas en son.
Fournir au modèle TTS le contexte précédent n’a apporté d’amélioration nette à aucun système. Des études plus anciennes auprès d’auditeurs vont dans le même sens : les marques d’erreur sur la parole synthétique se regroupent autour des frontières prosodiques, et une variation prosodique supplémentaire est souvent perçue comme une faute lorsqu’elle ne cadre pas avec le contexte.
| Métrique | Valeur | Source |
|---|---|---|
| Mot cible accentué (Hit) / les deux côtés corrects (Pair-Correct) : Kokoro | 38,1% / 0,0% | Turetzky et al., CAST 2026 |
| Hit / Pair-Correct : GPT-4o-mini-tts avec marquage explicite de l’accent | 51,8% / 11,5% | Turetzky et al., CAST 2026 |
| Hit / Pair-Correct : Claude Haiku 4.5 travaillant uniquement sur le texte et prédisant l’accent à partir du contexte | 88,1% / 76,1% | Turetzky et al., CAST 2026 |
| Mot mis en emphase identifié par les auditeurs, EME-TTS : moyenne contre émotion de surprise | 78% contre 64% | Li et al., EME-TTS 2025 |
| Corrélation entre la note de prosodie et le taux d’erreurs marquées par les auditeurs | R = -0,75 | Gutierrez et al., SSW11 2021 |
| Part des cas où le mot le plus marqué d’erreurs de FastPitch précédait immédiatement une ponctuation (texte de livre audio) | 73% | Gutierrez et al., SSW11 2021 |
Contexte : l’accord entre auditeurs sur l’endroit où tombe l’accent dans la parole synthétique est lui-même modeste (kappa de Fleiss = 0,36 entre trois auditeurs dans le même benchmark), ce qui est l’une des raisons pour lesquelles l’emphase est difficile à mesurer. Dans EME-TTS (11 auditeurs), la surprise a obtenu le score le plus bas, et les auteurs l’attribuent à la fréquente montée de hauteur en fin de parole surprise, qui a conduit les auditeurs à entendre le dernier mot comme accentué. L’étude de transcription prosodique rapide date de 2021 ; ce sont les données les plus récentes disponibles pour le marquage d’erreurs par les auditeurs.
5. Prosodie émotionnelle : ce que reconnaissent les auditeurs et les classifieurs
L’émotion passe en grande partie par la prosodie, et l’émotion synthétique est reconnue bien moins souvent que l’émotion enregistrée. Dans une étude sur le kazakh avec 64 auditeurs, l’émotion visée était reconnue dans 43% des enregistrements humains mais dans 32% des extraits synthétisés, et la colère est passée de 37% à 7% (Abilbekov et al., KazEmoTTS 2024).
Une analyse de 2026 a retracé l’endroit où l’émotion se perd. Sur CosyVoice 2, la reconnaissance des émotions restait à 82,43% après reconstruction par le vocodeur et à 84,07% lorsque le modèle recevait les vrais tokens de parole, proche des 83,93% de la parole réelle, mais tombait à 34,57% lorsque le modèle devait générer la parole à partir du texte (Ge et al., On the Emotion Understanding of Synthesized Speech, 2026). La perte se situe dans l’étape du texte vers la prosodie, pas dans la qualité audio. Pour la performance des modèles de reconnaissance sur des voix humaines, voir nos statistiques de reconnaissance des émotions dans la parole.
| Métrique | Valeur | Source |
|---|---|---|
| Reconnaissance des émotions par les auditeurs : enregistrements humains contre synthétisés (6 émotions) | 43% contre 32% | Abilbekov et al., KazEmoTTS 2024 |
| Reconnaissance de la colère par les auditeurs : enregistrements humains contre synthétisés | 37% contre 7% | Abilbekov et al., KazEmoTTS 2024 |
| Précision du classifieur d’émotions (emotion2vec) : enregistrements humains TESS contre TESS synthétisés | 99,64% contre 15,31% | Ge et al., 2026 |
| Précision du classifieur d’émotions : IEMOCAP humain contre IEMOCAP synthétisé | 71,28% contre 49,58% | Ge et al., 2026 |
| CosyVoice 2 sur TESS : parole réelle contre vocodeur seul contre génération pilotée par le texte | 83,93% contre 82,43% contre 34,57% | Ge et al., 2026 |
| Précision du classifieur d’émotions sur la sortie de gpt-4o-tts (phrases CREMA-D / TESS) | 32,94% / 46,42% | Ge et al., 2026 |
| Précision de reclassification des émotions : enregistrements humains passés au vocodeur contre le meilleur et le plus faible de trois systèmes TTS | 0,931 contre 0,749 et 0,623 | Tang et al., ED-TTS 2024 |
| Taux de victoire face au système de référence, catégorie Émotions : GPT-4o-audio contre Sesame1B | 88,84% contre 7,32% | Boson AI, EmergentTTS-Eval 2025 |
Note sur les valeurs aberrantes : les chiffres de classifieurs de 2026 sont des scores de machine, pas des jugements d’auditeurs, et un classifieur entraîné sur de la parole synthétisée a atteint 91,84% sur TESS synthétisé mais 15,00% sur TESS humain, ce qui suggère que l’émotion synthétique et l’émotion humaine diffèrent sur le plan acoustique. ED-TTS a utilisé son propre classifieur d’émotions, son échelle n’est donc pas directement comparable à celle d’emotion2vec.
6. Lecture longue : là où les tests sur phrases cessent de fonctionner
Une prosodie qui sonne bien phrase par phrase peut dériver, s’aplatir ou mal placer les pauses sur un paragraphe. Dans une étude de lecture d’informations, même la meilleure note d’une seule phrase d’un paragraphe n’expliquait qu’environ 12% de la variance de la note de l’ensemble du paragraphe (MOS maximal de phrase contre MOS de paragraphe, r = 0,345, p < 0,01) (Clark et al., Evaluating Long-form Text-to-Speech, SSW10 2019). Les auteurs ont conclu que les notes au niveau de la phrase sont de « mauvais prédicteurs du MOS de paragraphe ».
Le tableau de 2026 est plus étroit mais pas refermé. Sur SwanBench-Speech, le meilleur système propriétaire s’est approché à 0,09 des enregistrements réels sur le score de prosodie (3,95 contre 4,04), mais la moyenne des systèmes propriétaires restait 0,93 point sous la parole réelle à la fois en richesse expressive (résonance émotionnelle, incarnation des personnages, art du récit) et en hiérarchie expressive (dynamique expressive au niveau du paragraphe), et la plupart des modèles se dégradaient dès qu’un passage dépassait 100 mots (Pan et al., SwanBench-Speech, ACL 2026 Findings). Pour les producteurs qui travaillent sur des contenus de formation et d’explication narrés, nos statistiques sur la voix off IA couvrent l’adoption, et un générateur de voix IA se juge plus facilement sur un paragraphe entier que sur une seule ligne.
| Métrique | Valeur | Source |
|---|---|---|
| Corrélation, note moyenne de phrase contre note de paragraphe (actualités) | r = 0,296 (p < 0,05) | Clark et al., SSW10 2019 |
| Note moyenne, phrases courtes contre passages de 40 secondes, meilleur modèle | 4,09 contre 3,86 | Guo et al., HiGNN-TTS 2023 |
| Note moyenne, phrases courtes contre passages de 40 secondes, système de référence | 3,52 contre 3,34 | Guo et al., HiGNN-TTS 2023 |
| Test d’écoute de livre audio : auditeurs / notes / durée de segment | 204 / 33 750 / environ 2 minutes | Zhang et al., SSW 2023 |
| Gain de qualité globale grâce aux améliorations pour la lecture longue (résumé) | +0,47 MOS | Zhang et al., SSW 2023 |
| Score comparatif après suppression du contexte multi-phrases : voix féminine / masculine | -0,42 / -0,58 | Zhang et al., SSW 2023 |
| Richesse expressive : parole réelle contre moyenne propriétaire contre moyenne open source | 4,35 contre 3,42 contre 3,03 | Pan et al., SwanBench-Speech 2026 |
| Hiérarchie expressive (dynamique au niveau du paragraphe) : parole réelle contre moyenne propriétaire | 3,94 contre 3,01 | Pan et al., SwanBench-Speech 2026 |
Contexte : les scores de SwanBench sont automatiques. Sa métrique de prosodie concordait avec 10 évaluateurs humains à SRCC = 0,82 sur 50 paires, et son juge de richesse et de hiérarchie (Gemini 3 Pro) à 0,71 et 0,62. L’article sur la synthèse de livres audio indique que ses améliorations « réduisent l’énorme écart entre la synthèse de référence et les enregistrements naturels » sans le combler. L’étude de Clark et al. date de 2019 ; ce sont les données les plus récentes disponibles pour la comparaison phrase contre paragraphe.
7. La référence humaine : à quel point la vraie prosodie varie
Tout chiffre d’« erreur » suppose une cible, et la prosodie humaine est une cible large. Chez 192 locuteurs de l’anglais américain, le débit d’articulation était de 3,20 syllabes par seconde en lisant des phrases et de 4,96 en parole spontanée (Jacewicz et al., JASA 2010). Le débit d’articulation compte les syllabes par seconde en retirant les pauses, ce qui isole le tempo de l’hésitation.
La variation chez une même personne est le point le plus marquant : dans les mêmes données, la variation d’une phrase à l’autre chez un locuteur dépassait la variation entre locuteurs. Une étude de corpus présentée à LabPhon 19, portant sur près de 120 000 énoncés, a constaté que les locuteurs individuels varient davantage que les dialectes. C’est pourquoi un enregistrement de référence unique fait un étalon médiocre, comme la section 1 l’a montré pour la RMSE de F0.
| Métrique | Valeur | Source |
|---|---|---|
| Débit d’articulation, phrases lues contre parole spontanée (syllabes par seconde) | 3,20 contre 4,96 | Jacewicz et al., JASA 2010 |
| Débit en parole spontanée, locuteurs du Wisconsin contre de Caroline du Nord (syllabes par seconde) | 5,21 contre 4,80 | Jacewicz et al., JASA 2010 |
| Débit de lecture, jeunes adultes contre adultes les plus âgés (syllabes par seconde) | 3,58 contre 3,0 | Jacewicz et al., JASA 2010 |
| Variance du débit de parole : chez un même locuteur contre entre locuteurs | 1,0 contre 0,19 | Jacewicz et al., JASA 2010 |
| Taille du corpus : énoncés / locuteurs / dialectes | 119 736 / 1 115 / 15 | Tanner et al., LabPhon 19 |
| Différence estimée du débit d’articulation entre dialectes de l’anglais | environ 40% (environ 2 syllabes par seconde) | Tanner et al., LabPhon 19 |
| Probabilité que la variation entre locuteurs dépasse la variation entre dialectes | 0,98 | Tanner et al., LabPhon 19 |
Contexte : l’article SPADE sur le débit d’articulation a utilisé 14 corpus de parole spontanée en anglais britannique et nord-américain. Les données de Jacewicz datent de 2010 ; ce sont les données les plus récentes disponibles pour le tempo lu contre spontané dans un échantillon unique contrôlé. Pour une autre caractéristique prosodique où les jugements des auditeurs divergent de l’acoustique, voir nos statistiques sur le vocal fry.
Résumé : erreurs de prosodie et d’intonation du TTS neuronal en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Études de prosodie (2020 à 2024) ayant analysé la hauteur | 95 sur 100 | Galdino et al., JBCS 2025 |
| Corrélation de la RMSE de log F0 avec les notes de prosodie humaines | r = 0,30 | Yang et al., ProsodyEval 2025 |
| RMSE de F0 : vocodeur seul contre meilleur TTS complet | 14,03 contre 27,93 | Xin et al., 2022 |
| Précision brute de hauteur d’un prédicteur de prosodie de 2025 | 43,9% | Eren et al., ProMode 2025 |
| Erreur de trame F0, questions déclaratives contre affirmations (système de référence) | 32,76% contre 13,53% | Bai et al., Interspeech 2022 |
| Questions déclaratives entendues comme des questions : système de référence contre modèle avec classifieur | 21,83% contre 98,41% | Bai et al., Interspeech 2022 |
| Taux de victoire face au système de référence, Questions : GPT-4o-audio contre Sesame1B | 56,96% contre 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Test d’homographes : hasard contre meilleurs systèmes | 50% contre plus de 80% | Perrotin et al., Blizzard 2023 |
| Accent contrastif Pair-Correct : meilleur TTS contre modèle de langage travaillant uniquement sur le texte | 11,5% contre 76,1% | Turetzky et al., CAST 2026 |
| Reconnaissance des émotions par les auditeurs : humain contre synthétisé | 43% contre 32% | Abilbekov et al., KazEmoTTS 2024 |
| Classifieur d’émotions : TESS humain contre TESS synthétisé | 99,64% contre 15,31% | Ge et al., 2026 |
| Précision des émotions de CosyVoice 2 : parole réelle contre pilotée par le texte | 83,93% contre 34,57% | Ge et al., 2026 |
| Note de phrase contre note de paragraphe, variance expliquée | environ 12% | Clark et al., SSW10 2019 |
| Richesse expressive : parole réelle contre moyenne propriétaire | 4,35 contre 3,42 | Pan et al., SwanBench-Speech 2026 |
| Phrases courtes contre passages de 40 secondes, meilleur modèle | 4,09 contre 3,86 | Guo et al., HiGNN-TTS 2023 |
| Débit d’articulation lu contre spontané (syllabes par seconde) | 3,20 contre 4,96 | Jacewicz et al., JASA 2010 |
| Différence de débit d’articulation entre dialectes de l’anglais | environ 40% | Tanner et al., LabPhon 19 |
Méthodologie et sources
Chaque chiffre ci-dessus a été lu dans l’article, la page de communication ou le texte intégral qui le rapportait. Lorsqu’un article ne présentait ses résultats que dans un graphique, nous avons utilisé ses conclusions énoncées et écarté les valeurs approximatives. Les scores établis par des machines (juges IA, classifieurs d’émotions, benchmarks automatiques) sont signalés comme tels dans le texte et ne doivent pas être lus comme des pourcentages d’auditeurs.
- Galdino, Matos, Svartman et Aluisio, “The evaluation of prosody in speech synthesis: a systematic review”, Journal of the Brazilian Computer Society, 9 juillet 2025
- Yang et al., “Measuring Prosody Diversity in Zero-Shot TTS” (ProsodyEval), arXiv 2509.19928, révisé le 1er avril 2026
- Minixhofer, Klejch et Bell, “TTSDS - Text-to-Speech Distribution Score”, arXiv 2407.12707, 2024
- Xin et al., “Improving Speech Prosody of Audiobook Text-to-Speech Synthesis with Acoustic and Textual Contexts”, arXiv 2211.02336, 2022
- Guo et al., “HiGNN-TTS: Hierarchical Prosody Modeling with Graph Neural Networks for Expressive Long-form TTS”, arXiv 2309.13907, 2023
- Eren et al., “ProMode: A Speech Prosody Model Conditioned on Acoustic and Textual Inputs”, arXiv 2508.09389, 2025
- Bai, Ko et Zhang, “A Study of Modeling Rising Intonation in Cantonese Neural Speech Synthesis”, Interspeech 2022
- Tang et al., “QI-TTS: Questioning Intonation Control for Emotional Speech Synthesis”, arXiv 2303.07682, 2023
- Manku et al. (Boson AI), “EmergentTTS-Eval”, arXiv 2505.23009, 29 mai 2025
- Perrotin, Stephenson, Gerber et Bailly, “The Blizzard Challenge 2023”, ISCA Archive
- Turetzky et al., “Knowing What to Stress: A Discourse-Conditioned Text-to-Speech Benchmark” (CAST), arXiv 2604.10580, 12 avril 2026
- Li et al., EME-TTS, sur le lien entre emphase et émotion dans la synthèse de la parole, arXiv 2507.12015, 2025
- Gutierrez, Oplustil-Gallegos et Lai, “Location, Location”, ISCA SSW11, 2021
- Abilbekov et al., “KazEmoTTS: A Dataset for Kazakh Emotional Text-to-Speech Synthesis”, arXiv 2404.01033, 2024
- Ge et al., “On the Emotion Understanding of Synthesized Speech”, arXiv 2603.16483, 17 mars 2026
- Tang et al., “ED-TTS: Multi-Scale Emotion Modeling using Cross-Domain Emotion Diarization”, arXiv 2401.08166, 2024
- Clark, Silen, Kenter et Leith, “Evaluating Long-form Text-to-Speech: Comparing the Ratings of Sentences and Paragraphs”, SSW10, arXiv 1909.03965, 2019
- Zhang et al., “Audiobook synthesis with long-form neural text-to-speech”, ISCA SSW12, 2023
- Pan et al., “Comprehensive Benchmarking of Long-Form Speech Generation in Diverse Scenarios” (SwanBench-Speech), ACL 2026 Findings, arXiv 2605.28618
- Jacewicz, Fox et Wei, “Between-speaker and within-speaker variation in speech tempo of American English”, Journal of the Acoustical Society of America, 2010
- Tanner et al. et le SPADE Data Consortium, “Exposing the anatomy of articulation rate across English dialects and speakers”, LabPhon 19
- Note sur les données : les valeurs de RMSE de F0 ne sont pas comparables d’un article à l’autre (unités, alignement et jeux de données différents), et l’article ProMode n’indique pas d’unités. Xin et al. listent une ligne HiFi-GAN sans la décrire ; nous l’interprétons comme une sortie limitée au vocodeur parce que sa distorsion spectrale est bien inférieure à celle des lignes TTS, ce qui est notre inférence. Jacewicz et al. donnent 5,21 et 4,80 syllabes par seconde dans le texte mais 5,38 et 4,97 dans un tableau pour les mêmes dialectes ; nous rapportons le texte. L’article sur les livres audio de SSW 2023 donne un gain de 0,47 MOS dans son résumé et de 0,46 dans son corps de texte ; les valeurs par système de ses graphiques n’ont pas pu être associées de façon fiable, nous les avons donc omises. SwanBench-Speech indique que l’écart de hiérarchie est « de plus d’un demi-point » alors que les moyennes de son tableau impliquent 0,93 ; nous rapportons le tableau. Les résultats d’EmergentTTS-Eval et de SwanBench proviennent de juges IA validés par de petits panels humains, et les rapports techniques ultérieurs qui ont réécrit les textes d’EmergentTTS ne sont pas comparables à l’article d’origine. Les chiffres de QI-TTS (2023), Xin et al. (2022), Bai et al. (2022), Gutierrez et al. (2021), Clark et al. (2019) et Jacewicz et al. (2010) ont plus de trois ans et sont les données les plus récentes disponibles pour ces mesures précises. Plusieurs sources de 2026 sont des prépublications et peuvent changer après évaluation par les pairs. Les prochains résultats du Blizzard Challenge et les actes de Speech Prosody pourraient apporter des données plus récentes sur l’intonation des questions et la lecture longue.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lors de la publication des prochains résultats du Blizzard Challenge sur l’ISCA Archive.