La vocalisation d'un long texte, comme un livre audio, exigeait auparavant que l'ordinateur garde en mémoire une image très détaillée de chaque seconde de son — un peu comme si, pour une conversation d'une heure, il fallait dessiner un plan au millimètre de tout le parcours. 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 représentation dense — comme un ressort tendu qui emmagasine de l'énergie potentielle. Dans ce monde compact, où les données sont moins nombreuses, le ressort « se détend » pour produire une 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.