/// Signal

Gemini clone une voix en 30 secondes — mais pas dans AI Studio en France

Le fait : le 23 septembre 2026, Google a mis en ligne deux modèles de synthèse vocale, Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS. Ils créent des voix à partir d’une description en langage naturel, et en reproduisent une à partir de 30 secondes d’enregistrement. Google annonce « plus de 100 langues » et la première place du classement de design vocal de Hume AI. Deux réserves : la réplication de voix n’est pas accessible via AI Studio dans l’Espace économique européen, donc en France, et l’accès via Gemini Enterprise est annoncé comme « coming soon » — pas disponible.

Ce que ces modèles changent n’est pas la qualité de la voix : c’est ce qu’on peut lui demander. La bibliothèque compte plus de 2 000 voix, et le modèle en crée de nouvelles à partir d’une simple phrase de description — un dragon, un narrateur régional, un robot. La direction se fait ligne par ligne : rythme, accent, jeu, avec des indications écrites directement dans le script. Google cite parmi ses partenaires HeyGen, Linguana, Wondercraft et Ollang, qui s’en servent pour du doublage et de la localisation. Chaque extrait généré porte un filigrane SynthID invisible ; les identifiants C2PA, eux, sont attachés à la réplication de voix. La disponibilité mérite ensuite d’être lue de près, parce que le résumé de l’annonce est plus généreux que son détail. Les deux modèles sont accessibles dès maintenant dans Google AI Studio et via l’API Gemini. Pour le grand public, Flash TTS arrive dans Gemini Notebook et Flash-Lite TTS dans Google Vids — chacun dans un seul produit, pas dans les deux. Pour les entreprises, l’accès via l’API dans Gemini Enterprise est annoncé comme « coming soon » : pas encore disponible.

La première réserve concerne directement un lecteur français. La réplication de voix — cloner une voix existante à partir d’un échantillon de 30 secondes, avec vérification du consentement de la personne — n’est pas accessible via Google AI Studio dans l’Espace économique européen, donc en France, ni au Royaume-Uni, en Suisse, en Inde, ni dans les États américains de l’Illinois et du Texas. La création de voix originales, elle, reste ouverte. Une précision compte, et elle va dans les deux sens : le billet de Google et la presse francophone limitent explicitement la restriction à AI Studio, tandis qu’une analyse tierce écrit que la réplication de voix n’est pas disponible dans ces territoires sans mentionner AI Studio du tout. Les sources ne s’accordent donc pas sur la portée exacte, et on ne tranchera pas à leur place.

Deuxième réserve, les chiffres. Google ne publie aucun tarif dans son annonce. Le prix de 9 dollars le million de tokens audio pour Flash TTS vient d’OpenRouter ; l’échéance — moitié prix jusqu’au 31 décembre 2026, puis au double — ne vient que d’une seule source, OrcaRouter, qui vend par ailleurs un routeur de modèles et a donc intérêt à ce que les prix des laboratoires soient comparés et discutés. Même prudence sur le nombre de langues : Google annonce « plus de 100 langues et dialectes », quand OrcaRouter avance 130 pour Flash TTS et 101 pour Flash-Lite. Enfin, l’écart de prix avec ElevenLabs, souvent repris tel quel, est une normalisation faite par Artificial Analysis, qui convertit des tokens audio en caractères pour rendre deux facturations comparables. OrcaRouter le reconnaît lui-même : ce chiffre est utile pour un ratio, pas pour une citation. Le face-à-face en aveugle qui place Google devant ElevenLabs vient de la Provider Voice Arena d’Artificial Analysis, et non du classement de Hume AI, où Google se mesure surtout à lui-même. Un cas renverse même la comparaison : sur des phrases très courtes, Google facture la seconde d’audio produite quand ElevenLabs facture le caractère — et l’avantage change de camp.

Notre lecture : la question n’est pas de savoir si Gemini parle mieux. Elle est de savoir ce qu’on accepte de laisser fabriquer, et à qui on confie sa voix. Le clonage en 30 secondes, encadré par une vérification du consentement et un filigrane, est une réponse sérieuse au risque. Mais il n’intéresse pas tout le monde : quand on n’aime pas sa voix, la reproduire à l’identique n’est pas un service, c’est le problème qu’on voulait résoudre. Il y a là un usage que les communiqués ne mentionnent jamais, et qui compte pourtant. S’enregistrer devient un obstacle quand on n’aime pas s’entendre : pour un podcast, une voix off ou une vidéo, se trouver mauvais suffit à ne pas se lancer. Une voix de synthèse bien dirigée lève ce frein — et c’est peut-être là le vrai apport de ces modèles. Le reste est une question de frontière : la réplication s’arrête à l’entrée de l’Europe, et ce n’est pas un détail technique : c’est une asymétrie. Ce qu’un créateur français peut faire et ce que peut faire son concurrent américain ne sont plus tout à fait les mêmes choses. Et les chiffres les plus repris — le prix, le nombre de langues, l’écart avec ElevenLabs — viennent de tiers qui ont chacun leur intérêt, jamais de Google. Le test du retour à la moyenne appliqué à ce sujet donne une réponse claire. Dans six mois, personne ne parlera plus de ces deux modèles — mais tout le monde aura pris l’habitude de confier du texte à une voix qui n’existe pas.