ZipL-Dialog : la synthèse vocale devient 11 fois plus économe express
Faire parler un texte long, comme un livre audio, exigeait auparavant que l'ordinateur garde en tête une image extrêmement détaillée de chaque seconde de son — un peu comme s'il fallait dessiner un plan au millimètre pour une conversation d'une heure. Ces « cartes » étaient énormes, et même les machines puissantes s'essoufflaient à assembler la parole morceau par morceau.
La méthode ZipL-Dialog procède autrement : elle comprime d'abord le son en une image dense — comme un ressort tendu qui emmagasine de l'énergie potentielle. Dans ce monde compact, où les données sont moins nombreuses, le ressort « se déploie » en parole prête à l'emploi. Le système apprend à compresser et à restaurer le son sans perte d'expressivité, et le modèle ZipFormer travaille directement dans la représentation compressée.
Résultat : la consommation mémoire de pointe a chuté de 11,22 fois, et la vitesse de génération a été multipliée par 2,23. Désormais, un enregistrement d'une heure se fait sans interruption, comme si une simple clé USB remplaçait une armoire pleine de disques.
Étonnant retournement : sous forme compressée, le son devient si compact qu'un roman entier peut tenir dans la mémoire vive d'un téléphone, et la synthèse commence à ressembler à un jeu sur un instrument invisible, où chaque note est extraite d'une tension mathématique.
Les systèmes modernes de synthèse vocale peuvent imiter la voix d'une personne précise à partir de quelques minutes d'enregistrement seulement — on appelle cela le clonage vocal.
Dans le film « Her », le héros tombe amoureux d'un système d'exploitation à la voix parfaite ; ZipL-Dialog rapproche le jour où les assistants vocaux bavarderont avec nous pendant des heures sans accroc.