Lorsque 172 personnes ont dû distinguer des voix réelles de voix générées par IA, elles n’ont eu raison que dans 53,95% des cas, à peine mieux qu’un tirage à pile ou face, alors que les mêmes participants classaient correctement les visages dans 65,48% des cas (Ivory et coll., Scientific Reports 2026, sous presse). Les clones de personnes réelles trompent les auditeurs jusque sur l’identité : la précision d’appariement est tombée de 86,98% pour les voix naturelles à 68,94% pour les deepfakes (Roswandowitz et coll., Communications Biology 2024). Sur 1 212 participants et trois jeux de données de deepfakes très utilisés, la précision humaine a atteint en moyenne 73% (Warren et coll., ACM CCS 2024), et pourtant la vallée de l’étrange classique, ce creux de confort face à quelque chose de presque, mais pas tout à fait humain, n’apparaît guère pour la parole synthétique seule. Nous avons agrégé des données de PLOS One, Scientific Reports, Communications Biology, eNeuro, de l’ISCA Archive, de Frontiers, d’ACM CCS, d’i-Perception et de deux enquêtes sectorielles de 2026. Pour les repères issus des tests d’écoute derrière la synthèse vocale moderne, consultez nos statistiques sur le naturel de la parole synthétique et le MOS, et pour les erreurs de hauteur et d’accentuation qui trahissent encore les voix synthétiques, nos statistiques sur les erreurs de prosodie des TTS neuronaux.
TL;DR
- Les auditeurs ont classé correctement voix réelles et synthétiques dans 53,95% des cas, contre 65,48% pour les visages (Ivory et coll., Scientific Reports 2026).
- La confiance ne reflétait pas la précision pour les voix : AUROC de 0,48, où 0,5 signifie aucune lucidité (Ivory et coll., Scientific Reports 2026).
- Les clones vocaux ont été étiquetés humains à 0,70, les enregistrements réels à 0,72 et les voix IA génériques à 0,39 (Lavan et coll., PLOS One 2025).
- La précision humaine moyenne sur trois jeux de données de deepfakes était de 73% pour 1 212 participants (Warren et coll., ACM CCS 2024).
- L’appariement d’identité est passé de 86,98% pour les voix naturelles à 68,94% pour les deepfakes (Roswandowitz et coll., Communications Biology 2024).
- Plus une voix TTS était proche de l’humain, plus elle était jugée agréable : r(203) = 0,48, p < 0,001 (Ross, Corley et Lai, Speech Prosody 2024).
- Les associations visage-voix incohérentes ont été jugées plus inquiétantes que les cohérentes, t(47) = 6,042, p < 0,001 (Mitchell et coll., i-Perception 2011).
- Une voix humaine a porté la sympathie d’un personnage virtuel à 3,75, contre 2,99 pour une voix de robot (Choi et coll., IEEE ISMAR-Adjunct 2023).
- Après avoir appris que la voix off entendue était une IA, 25% des auditeurs de radio avaient une opinion plus favorable et 20% moins favorable (Crowd React Media 2026).
- La familiarisation par exemples n’a augmenté la détection des deepfakes que de 3,84% en moyenne (Mai et coll., PLOS ONE 2023).
- 67% des adultes aux États-Unis, au Royaume-Uni et dans la région DACH craignent que leur voix soit clonée (Malwarebytes 2026, enquête d’un fournisseur).
1. Détection : à quelle fréquence les auditeurs distinguent les voix IA des voix humaines
Le constat n’est pas que les gens échouent, mais que l’échec est propre à l’écoute. Les mêmes participants qui dépassaient largement le hasard sur les visages ont obtenu 53,95% sur les voix (IC à 95% = [52,64 ; 55,27]) dans une étude préenregistrée de la Lancaster University qui testait les deux sens côte à côte (Ivory et coll., Scientific Reports, sous presse). Être bon pour repérer les faux visages ne disait rien de la capacité à repérer les fausses voix : les auteurs n’ont trouvé aucune aptitude de détection générale, commune aux deux sens.
Le format de la tâche modifie davantage les chiffres que l’habileté des auditeurs. Lorsque des chercheurs de l’UCL ont diffusé un extrait à la fois, 529 auditeurs avaient raison dans 70,35% des cas, mais lorsqu’un extrait authentique et un extrait deepfake étaient entendus ensemble, le faux était reconnu dans 85,59% des essais (Mai et coll., PLOS ONE 2023). Dans la vie réelle, l’extrait de comparaison est rarement disponible. L’ancienneté du jeu de données compte aussi : dans l’étude de 1 212 participants de la University of Florida, la précision allait de 65% sur le jeu Wavefake à 81% sur FakeAVCeleb.
| Métrique | Valeur | Source |
|---|---|---|
| Voix réelles et synthétiques classées correctement (172 participants, 40 voix réelles et 40 voix synthétiques) | 53,95% (IC à 95% = [52,64 ; 55,27]) | Ivory et coll., Scientific Reports 2026 (sous presse) |
| Visages réels et générés par IA classés correctement par les mêmes participants | 65,48% (IC à 95% = [63,75 ; 67,21]) | Ivory et coll., Scientific Reports 2026 (sous presse) |
| Classements corrects lorsque les extraits sont jugés un par un (n = 529, anglais et mandarin) | 70,35% | Mai et coll., PLOS ONE 2023 |
| Deepfake reconnu lorsqu’il est entendu à côté d’un extrait authentique (tâche à deux extraits) | 85,59% des essais | Mai et coll., PLOS ONE 2023 |
| Précision humaine moyenne sur trois jeux de données de deepfakes (1 212 participants) | 73% | Warren et coll., ACM CCS 2024 |
| Précision moyenne sur le jeu de données le plus difficile (Wavefake) contre le plus facile (FakeAVCeleb) | 65% contre 81% | Warren et coll., ACM CCS 2024 |
| Clones vocaux IA correctement identifiés comme IA (échantillon Prolific de 604 participants sur deux études) | environ 60% | Barrington, Cooper et Farid, Scientific Reports 2025 |
| Sensibilité des auditeurs (d prime) pour séparer voix IA génériques et voix humaines contre clones vocaux et voix humaines (n = 50) | 2,93 contre 0,13 | Lavan et coll., PLOS One 2025 |
Note de contexte : le d prime (d’) est un score de sensibilité issu de la théorie de la détection du signal, dans lequel 0 signifie que l’auditeur ne peut pas du tout séparer les deux catégories. Les deepfakes de Mai et coll. provenaient d’algorithmes relativement anciens, comme le soulignent les auteurs ; données les plus récentes disponibles pour la comparaison entre un extrait et deux extraits : Mai et coll., PLOS ONE 2023.
2. Clones vocaux : quand la copie passe pour la personne
Une voix IA générique sonne encore comme un produit. Le clone d’une personne précise, non, et c’est là que l’oreille humaine renonce. Des chercheurs de la Queen Mary University of London ont construit leurs clones à partir d’environ 4 minutes d’enregistrements par locuteur avec un outil de clonage commercial, et les auditeurs ont étiqueté ces clones humains à un taux de 0,70, contre 0,72 pour les enregistrements réels (Lavan et coll., PLOS One 2025). Le verdict des auteurs est précis : les clones sonnent réels, mais pas encore « hyperréalistes » comme les visages IA peuvent parfois paraître plus vrais que les vrais. La quantité d’audio dont un clone a désormais besoin est suivie dans nos statistiques sur l’audio de référence pour le clonage vocal zero-shot.
L’identité est le second test, et les clones le réussissent la plupart du temps. Dans une étude de l’UC Berkeley, les participants ont jugé qu’une voix IA avait la même identité que son homologue réel environ 80% du temps (Barrington, Cooper et Farid, arXiv v2, publié dans Scientific Reports 2025). Dans une étude d’imagerie cérébrale de l’University of Zurich utilisant des phrases allemandes de deux mots (le stimulus de l’étude comprenait ‘Er fällt’, qui signifie « Il tombe » en allemand), l’appariement d’identité est tombé de 86,98% pour les voix naturelles à 68,94% pour les deepfakes (Roswandowitz et coll., Communications Biology 2024).
| Métrique | Valeur | Source |
|---|---|---|
| Part de voix étiquetées ‘humaines’ : clones vocaux contre enregistrements humains réels contre voix IA génériques (Expérience 2, n = 50 adultes britanniques) | 0,70 contre 0,72 contre 0,39 | Lavan et coll., PLOS One 2025 |
| Note moyenne de réalisme : voix IA génériques contre clones vocaux contre enregistrements humains réels | 47,4 contre 63,0 contre 63,8 | Lavan et coll., PLOS One 2025 |
| Clone IA jugé avoir la même identité que le locuteur réel | environ 80% du temps | Barrington, Cooper et Farid, Scientific Reports 2025 |
| Corrélation entre la durée de l’extrait et l’exactitude des jugements de naturel | Spearman ρ = 0,245 | Barrington, Cooper et Farid, Scientific Reports 2025 |
| Précision d’appariement d’identité : paires de voix naturelles contre un deepfake associé à une voix naturelle (n = 25) | 86,98% contre 68,94% | Roswandowitz et coll., Communications Biology 2024 |
| Essais avec deepfake : omissions contre fausses alarmes | 28,64% contre 29,86% | Roswandowitz et coll., Communications Biology 2024 |
Note de contexte : l’équipe de la Queen Mary a mené trois expériences avec 50 participants britanniques chacune, âgés de 18 à 65 ans et recrutés sur Prolific. Dans l’étude de Zurich, une omission signifie qu’un deepfake a été accepté comme le locuteur réel, et une fausse alarme qu’une identité correcte a été rejetée ; les taux quasi égaux montrent que les auditeurs devinaient dans les deux sens plutôt que de pencher d’un seul côté.
3. Existe-t-il une vallée de l’étrange pour les voix ?
La vallée de l’étrange visuelle prédit que le confort chute juste avant qu’un visage artificiel devienne pleinement humain. Pour la parole synthétique, la plupart des données vont dans l’autre sens : plus c’est proche de l’humain, mieux c’est. Dans une étude de Frontiers in Neurorobotics, 95 adultes ont évalué deux voix synthétiques (IBM Watson et le robot Sophia) et une voix humaine, et une plus grande ressemblance avec l’humain prédisait un malaise plus faible pour les deux voix synthétiques. Une équipe d’Édimbourg a constaté que la ressemblance humaine et l’agrément étaient corrélés positivement, r(203) = 0,48, p < 0,001, mais qu’aucune voix TTS n’atteignait 50% de ressemblance humaine, de sorte que le haut de la courbe, là où une vallée se situerait, n’a jamais été testé (Ross, Corley et Lai, Speech Prosody 2024).
Quand une vallée apparaît, elle vient de l’écart plutôt que de l’artificialité. Diel et Lewis ont observé une vallée de l’étrange vocale causée par des voix déformées et pathologiques, et ont conclu que « les voix synthétiques y échappent avec succès » (Computers in Human Behavior Reports 2024). Pour qui choisit une voix avec un générateur de voix IA, c’est une règle pratique : une diction inhabituelle, tendue ou saccadée est plus risquée qu’une diction franchement synthétique.
| Métrique | Valeur | Source |
|---|---|---|
| Note de ressemblance humaine : voix TTS la plus humaine (étendue de hauteur exagérée) contre enregistrement humain (205 auditeurs) | 46,1 contre 71,5 | Ross, Corley et Lai, Speech Prosody 2024 |
| Note de malaise : même voix TTS contre enregistrement humain | 40,4 contre 28,9 | Ross, Corley et Lai, Speech Prosody 2024 |
| Corrélation entre ressemblance humaine et agrément | r(203) = 0,48, p < 0,001 | Ross, Corley et Lai, Speech Prosody 2024 |
| Ressemblance humaine prédisant le malaise pour deux voix synthétiques (95 adultes) | β = −0,64 et β = −0,66, p < 0,001 | Kühne, Fischer et Zhou, Frontiers in Neurorobotics 2020 |
| Voix dans une étude sur la sympathie et la ressemblance humaine (25 auditeurs) : voix masculines allemandes issues de 5 approches de synthèse plus un témoin humain | 13 | Baird et coll., Interspeech 2018 |
| Participants à deux expériences situant une vallée de l’étrange vocale dans les voix atypiques | n = 50 et n = 35 | Diel et Lewis, Computers in Human Behavior Reports 2024 |
| Participants à une étude sur un assistant vocal où l’apparence humaine augmentait le malaise | 34 | Zhao, Chen et Zhao, Human Factors and Ergonomics in Manufacturing 2026 |
| Expositions avant que l’appréciation d’une voix humaine inconnue n’augmente (phrases parlées, 238 étudiants) | 8 | Mavromati, Erdinch et Paterson, prépublication PsyArXiv 2025 |
Note de contexte : Baird et coll. ont constaté que la sympathie augmentait avec la ressemblance humaine, l’inverse de la vallée de l’étrange visuelle (Interspeech 2018) ; données les plus récentes disponibles pour cette comparaison entre générations de synthèse, et l’étude de Kühne et coll. date de 2020. Dans l’étude sur l’assistant vocal, le malaise venait de l’apparence humaine, pas de la voix. La prépublication de Mavromati et ses collègues a testé de vraies voix humaines : celles entendues 2 ou 5 fois étaient moins appréciées que celles jamais entendues, un ‘U’ inversé que les auteurs appellent une vallée de l’étrange des voix ‘familièrement inconnues’.
4. Décalage visage-voix : là où la vallée apparaît vraiment
Si les voix seules tombent rarement dans la vallée, les combinaisons y tombent. Le test fondateur associait une figure de robot ou d’humain à une voix cohérente ou non, et les deux associations incohérentes ont été jugées plus inquiétantes que les deux associations cohérentes, t(47) = 6,042, p < 0,001 (Mitchell et coll., i-Perception 2011). La figure humaine avec une voix synthétique était la plus inquiétante des quatre conditions. La leçon de conception tirée par les auteurs reste valable : accordez le réalisme humain du visage à celui de la voix.
Des travaux plus récents montrent que la voix domine généralement l’impression. Dans une étude en réalité virtuelle, une voix humaine augmentait la sympathie et la sécurité perçue d’un personnage, tandis que l’apparence elle-même n’avait pas d’effet significatif sur la sympathie (Choi et coll., IEEE ISMAR-Adjunct 2023). Avec la tête de robot Furhat, le réglage visage-voix modifiait la chaleur perçue à la première impression, mais l’effet n’était plus significatif après l’interaction des participants avec le robot (Huang et Moore, Frontiers in Robotics and AI 2024).
| Métrique | Valeur | Source |
|---|---|---|
| Note de malaise : figure humaine avec voix synthétique contre figure humaine avec voix humaine (48 participants nés aux États-Unis) | M = 0,19 contre M = −1,10 | Mitchell et coll., i-Perception 2011 |
| Note de malaise : figure de robot avec voix humaine contre figure de robot avec voix synthétique | M = −0,10 contre M = −0,60 | Mitchell et coll., i-Perception 2011 |
| Associations visage-voix incohérentes contre cohérentes (test t apparié) | t(47) = 6,042, p < 0,001 | Mitchell et coll., i-Perception 2011 |
| Sympathie d’un personnage virtuel : voix humaine contre voix de robot (21 participants) | 3,75 contre 2,99 | Choi et coll., IEEE ISMAR-Adjunct 2023 |
| Ressemblance humaine perçue (anthropomorphisme) d’un personnage virtuel : voix humaine contre voix de robot | 3,18 contre 2,58 | Choi et coll., IEEE ISMAR-Adjunct 2023 |
| Chaleur à la première impression : réglages visage et voix enfantins contre adultes contre robotiques (52 participants, 156 échantillons) | 3,37 contre 2,60 contre 2,06 | Huang et Moore, Frontiers in Robotics and AI 2024 |
| Effet du réglage visage et voix sur la chaleur avant l’interaction | F(2,147) = 16,75, p < 0,001 | Huang et Moore, Frontiers in Robotics and AI 2024 |
Note de contexte : dans l’étude Furhat, certains participants ont décrit le réglage enfantin comme incohérent (‘un son plus enfantin mais un aspect moins enfantin’). Une expérience 2x2 avec un agent virtuel menée par Alimardani et coll. (IVA 2024) a montré qu’un décalage voix-apparence modifiait l’anthropomorphisme perçu mais pas la fréquence à laquelle les gens suivaient les conseils de l’agent. L’étude de Mitchell et coll. date de 2011 ; ce sont les données les plus récentes disponibles pour ce protocole visage-voix précis.
5. Traits sociaux et effet de révélation
Les auditeurs ne jugent pas seulement si une voix est réelle ; ils y lisent un caractère, et les voix synthétiques sont lues différemment. Dans les expériences sur les traits de la Queen Mary, les voix IA génériques étaient jugées plus dominantes et légèrement plus dignes de confiance que les voix humaines. L’équipe de Zurich a constaté l’inverse pour ses deepfakes, que les participants ont jugés « significativement moins naturels, sympathiques et dignes de confiance » que les voix naturelles (Roswandowitz et coll., Communications Biology 2024). La qualité du stimulus décide du sens dans lequel tombent les traits.
Dans un test en aveugle plus proche des médias réels, la qualité a cessé d’être le problème et la révélation a pris le dessus. Après la révélation, 48% des auditeurs qui avaient entendu la voix off humaine avaient une opinion plus favorable, contre 25% de ceux qui avaient entendu la voix IA (Crowd React Media AI Voiceover Study 2026). Avant que quiconque ne soit informé, les deux voix obtenaient des scores presque identiques. Une diction plate est l’autre point faible : environ 68% des utilisateurs dans une condition sans émotion ont critiqué le ton de la voix d’un agent conversationnel (Cihodaru-Ștefanache et Podina, Frontiers in Psychology 2025).
| Métrique | Valeur | Source |
|---|---|---|
| Note de dominance : voix IA génériques contre voix humaines (n = 50) | 58,1 contre 40,4 (p < 0,001) | Lavan et coll., PLOS One 2025 |
| Note de confiance inspirée : voix IA génériques contre voix humaines | 57,9 contre 53,8 (p = 0,002) | Lavan et coll., PLOS One 2025 |
| Appréciation globale du premier extrait : voix off IA contre voix off humaine (1 326 auditeurs de radio américains de 18 à 45 ans) | 61% contre 60% | Crowd React Media AI Voiceover Study 2026 |
| Voix off jugée ‘drôle’ : voix humaine contre voix IA (le seul écart significatif) | 33% contre 26% | Crowd React Media AI Voiceover Study 2026 |
| Après la révélation, auditeurs de la voix IA : opinion plus favorable contre moins favorable | 25% contre 20% | Crowd React Media AI Voiceover Study 2026 |
| Après la révélation, auditeurs de la voix humaine : opinion plus favorable contre moins favorable | 48% contre 4% | Crowd React Media AI Voiceover Study 2026 |
| Utilisateurs dans une condition sans émotion ayant critiqué le ton de la voix d’un agent conversationnel | environ 68% | Cihodaru-Ștefanache et Podina, Frontiers in Psychology 2025 |
Note de contexte : la revue de Frontiers in Psychology a retenu après tri 29 études sur les agents conversationnels incarnés (des personnages animés à l’écran qui dialoguent avec les utilisateurs) et a jugé la plupart d’entre elles de qualité méthodologique faible ou moyenne. Le test radio a été mené par une division d’études de marché de Harker Bos Group, et la significativité a été vérifiée avec un test z de deux proportions à un niveau de confiance de 95% ; les auditeurs ne savaient pas quelle voix ils avaient entendue avant de l’avoir notée.
6. Entraînement, confiance et cerveau à l’écoute
Un court entraînement aide à peine, et les auditeurs ne savent pas quand ils se trompent. Pour les voix, la lucidité métacognitive mesurée par l’AUROC était de 0,48, juste sous le 0,5 qui signifie que la confiance ne porte aucune information sur l’exactitude, contre 0,59 pour les visages dans la même étude de Lancaster (voir la section 1). La familiarisation avec des exemples de deepfakes ne fait presque pas bouger la précision (voir le tableau). Quand les auditeurs hésitaient, l’équipe de la University of Florida a constaté qu’ils tendaient à croire que l’audio était humain (Warren et coll., ACM CCS 2024), précisément le biais sur lequel repose la fraude par clonage vocal ; voir nos statistiques sur la fraude familiale par clonage vocal.
Le cerveau, lui, enregistre plus que ce que rapporte l’auditeur. Après une séance d’entraînement de 12 minutes, 30 locuteurs natifs du mandarin ont montré des différences neuronales entre parole humaine et parole IA à environ 55, 210 et 455 millisecondes, mais leur discrimination comportementale ne s’est pas améliorée de façon significative (Yang et coll., eNeuro 2026). Dans l’étude d’IRMf de Zurich, le cortex auditif suivait les différences acoustiques entre voix deepfakes et voix naturelles, tandis que le noyau accumbens, une partie du système de récompense, était moins actif lorsqu’un deepfake était comparé à une voix naturelle (Roswandowitz et coll., Communications Biology 2024).
| Métrique | Valeur | Source |
|---|---|---|
| Lucidité métacognitive (AUROC) pour les voix contre les visages, où 0,5 signifie aucune lucidité | 0,48 contre 0,59 | Ivory et coll., Scientific Reports 2026 (sous presse) |
| Gain de détection grâce à la familiarisation avec des exemples de deepfakes | 3,84% en moyenne | Mai et coll., PLOS ONE 2023 |
| Sensibilité (d prime) pour la parole humaine avant contre après une séance d’entraînement de 12 minutes (30 participants) | 0,383 contre 0,536 | Yang et coll., eNeuro 2026 |
| Sensibilité (d prime) pour des clones IA affinés avant contre après le même entraînement | 0,266 contre 0,341 | Yang et coll., eNeuro 2026 |
| Effet principal de la séance d’entraînement sur la sensibilité | F(1,29) = 3,918, p = 0,057 | Yang et coll., eNeuro 2026 |
| Latences de la différenciation neuronale entre parole humaine et parole IA après l’entraînement | environ 55 ms, 210 ms et 455 ms | Yang et coll., eNeuro 2026 |
| Adultes craignant que leur voix soit clonée (1 500 adultes aux États-Unis, au Royaume-Uni, en Autriche, en Allemagne et en Suisse) | 67% | Malwarebytes AI Scams Report 2026 (enquête d’un fournisseur) |
| Adultes ayant reçu un appel à voix clonée de la part d’une personne connue au cours des 12 derniers mois | 16% | Malwarebytes AI Scams Report 2026 (enquête d’un fournisseur) |
Note de contexte : l’AUROC (aire sous la courbe ROC) mesure ici si la confiance d’un auditeur est plus élevée sur les bonnes réponses que sur les mauvaises. Les phrases de l’étude eNeuro provenaient d’un test de perception de la parole en mandarin, et les voix IA ont été créées avec un modèle de clonage open source. L’enquête de Malwarebytes a été menée en ligne du 1er au 17 mars 2026 par un consultant en études indépendant ; il s’agit de l’enquête propre d’un éditeur de solutions de sécurité, à traiter comme un contexte et non comme une mesure de perception.
Résumé : la vallée de l’étrange des voix de synthèse en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Voix réelles et synthétiques classées correctement | 53,95% | Ivory et coll., Scientific Reports 2026 (sous presse) |
| Précision humaine moyenne sur trois jeux de données de deepfakes (1 212 participants) | 73% | Warren et coll., ACM CCS 2024 |
| Précision moyenne sur le jeu de deepfakes le plus difficile contre le plus facile | 65% contre 81% | Warren et coll., ACM CCS 2024 |
| Détection de deepfakes : un extrait à la fois contre à côté d’un extrait authentique | 70,35% contre 85,59% | Mai et coll., PLOS ONE 2023 |
| Clone IA jugé avoir la même identité que le locuteur réel | environ 80% | Barrington, Cooper et Farid, Scientific Reports 2025 |
| Part étiquetée ‘humaine’ : clones vocaux contre enregistrements réels contre voix IA génériques | 0,70 contre 0,72 contre 0,39 | Lavan et coll., PLOS One 2025 |
| Appariement d’identité : voix naturelles contre deepfakes | 86,98% contre 68,94% | Roswandowitz et coll., Communications Biology 2024 |
| Corrélation entre ressemblance humaine et agrément pour les voix TTS | r(203) = 0,48, p < 0,001 | Ross, Corley et Lai, Speech Prosody 2024 |
| Ressemblance humaine : voix TTS la plus humaine contre enregistrement humain | 46,1 contre 71,5 | Ross, Corley et Lai, Speech Prosody 2024 |
| Malaise : voix TTS la plus humaine contre enregistrement humain | 40,4 contre 28,9 | Ross, Corley et Lai, Speech Prosody 2024 |
| Ressemblance humaine prédisant le malaise pour deux voix synthétiques | β = −0,64 et β = −0,66 | Kühne, Fischer et Zhou, Frontiers in Neurorobotics 2020 |
| Associations visage-voix incohérentes contre cohérentes | t(47) = 6,042, p < 0,001 | Mitchell et coll., i-Perception 2011 |
| Malaise : figure humaine avec voix synthétique contre figure humaine avec voix humaine | M = 0,19 contre M = −1,10 | Mitchell et coll., i-Perception 2011 |
| Sympathie d’un personnage virtuel : voix humaine contre voix de robot | 3,75 contre 2,99 | Choi et coll., IEEE ISMAR-Adjunct 2023 |
| Chaleur à la première impression : réglages enfantins contre adultes contre robotiques | 3,37 contre 2,60 contre 2,06 | Huang et Moore, Frontiers in Robotics and AI 2024 |
| Appréciation globale : voix off IA contre voix off humaine | 61% contre 60% | Crowd React Media AI Voiceover Study 2026 |
| Utilisateurs ayant critiqué le ton de la voix d’un agent conversationnel sans émotion | environ 68% | Cihodaru-Ștefanache et Podina, Frontiers in Psychology 2025 |
| Effet d’une séance d’entraînement de 12 minutes sur la sensibilité à la parole IA | F(1,29) = 3,918, p = 0,057 | Yang et coll., eNeuro 2026 |
Méthodologie et sources
- Ivory, McGettigan, Nuttall et Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, sous presse, dépôt de la Lancaster University
- Lavan et coll., “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
- Barrington, Cooper et Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central et arXiv v2
- Mai, Bray, Davies et Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
- Warren et coll., “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, PDF de la University of Florida
- Roswandowitz et coll., “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
- Yang, Jiang, Bai, Ni et Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
- Ross, Corley et Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
- Kühne, Fischer et Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
- Baird et coll., “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
- Diel et Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
- Zhao, Chen et Zhao, “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026, Wiley via DOI
- Mavromati, Erdinch et Paterson, “The uncanny valley of familiarly unfamiliar voices”, prépublication PsyArXiv 2025, OSF
- Mitchell et coll., “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
- Choi, Koilias, Volonte, Kao et Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
- Huang et Moore, “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024, Frontiers
- Alimardani, de Roode, Vaitonyte et Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, ACM via DOI
- Cihodaru-Ștefanache et Podina, “The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025, Frontiers
- Crowd React Media (Harker Bos Group), AI Voiceover Study 2026, Crowd React Media, également relayée par Radio Ink
- Malwarebytes, AI Scams Report 2026 (enquête d’un fournisseur auprès de 1 500 adultes), Malwarebytes
- Note sur les données : l’étude de Lancaster sur les visages et les voix est citée à partir de la version acceptée dans le dépôt de l’université, si bien que les chiffres pourraient légèrement évoluer dans la version finale de la revue. L’étude de l’UC Berkeley sur les clones imprime ses pourcentages principaux sous forme d’images dans la version de la revue ; les chiffres d’environ 80% et d’environ 60% sont donc tirés du texte de l’arXiv v2, qui correspond au résumé publié. La valeur de référence de la Queen Mary a varié d’une expérience à l’autre (les auditeurs ont étiqueté ‘humaines’ 81% des voix humaines dans l’Expérience 1a, 62% dans l’Expérience 1b et 72% dans l’Expérience 2) ; il faut donc comparer clones et voix humaines au sein d’une même expérience, jamais entre expériences. Les deux chiffres de 73% issus des études de l’UCL (2023) et de la University of Florida (2024) mesurent des tâches et des jeux de données différents et ne constituent pas une réplication l’un de l’autre. Le test radio en aveugle n’a pas trouvé de différence statistiquement significative dans la fréquence d’identification des deux voix, et ses parts d’identification exactes n’apparaissent que sur un graphique. Aucun test publié ici n’a atteint des voix TTS jugées proches d’une ressemblance humaine totale ; le haut de la courbe de la vallée de l’étrange vocale reste donc non testé. Les scores de naturel de référence (MOS et CMOS) sont volontairement laissés à notre tour d’horizon du MOS.
Dernière mise à jour : 8 novembre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lors de la publication de la version finale de l’étude de détection visage-voix de Lancaster dans Scientific Reports.