Clonage vocal Gemini 3.8 : où, et ce que couvre le consentement

Une voix à partir d'un clip de 30 secondes, si vous avez le droit de l'utiliser

Les nouveaux modèles de synthèse vocale de Google peuvent copier une voix à partir d'un court enregistrement, puis lire n'importe quel script avec cette voix. Une vidéo produit avec voix off, une version audio d'un article de blog ou un module de formation dans la voix du fondateur n'ont plus besoin d'une nouvelle séance d'enregistrement à chaque script. On enregistre une fois, puis on tape le texte.

Les modèles sont Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, sortis le 23 septembre. La synthèse vocale (text-to-speech) consiste à coller un script et à récupérer en retour un fichier audio parlé. Google appelle cette fonction de copie « voice replication » (réplication vocale). La plupart des gens l'appellent clonage vocal. L'annonce de Google la présente ainsi :

Recreate consistent vocal profiles from just a 30-second audio sample of your voice or a voice you have the rights to use

Google impose deux conditions. La première est le consentement. Selon Google, le clonage nécessite un second enregistrement de la même personne :

users must provide a verbal consent recording from the voice owner that matches the reference speaker before a voice can be created.

La documentation développeur de Google précise ce que cela signifie concrètement. Il faut deux enregistrements réels de la même personne adulte. Le premier est un échantillon de 10 à 30 secondes de parole naturelle. Le second est cette même personne lisant à voix haute une phrase fixe, que la documentation donne en anglais comme suit :

I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.

La seconde condition, selon Google, est une marque invisible apposée sur tout ce que produisent les modèles. Google affirme :

every audio clip generated by our Gemini Audio models is watermarked with SynthID.

Google décrit SynthID comme un filigrane imperceptible tissé dans l'audio : les auditeurs n'entendent rien, mais un logiciel de détection peut tout de même signaler que la parole a été générée par IA. Google indique que les voix clonées portent aussi des identifiants C2PA, une étiquette attachée au fichier qui enregistre son origine.

Pourquoi cette semaine : un prix bas qui double en janvier, et des applis sans code

La sortie elle-même est la cause. Deux détails la rendent pertinente au-delà des développeurs.

Le premier, c'est le coût, et il vient avec une date. La page tarifaire de Google, telle que consultée le 26 septembre, indique l'audio de Flash TTS à $9 par million de tokens jusqu'au 31 décembre 2026, puis $18 à partir du 1er janvier 2027. Les tokens sont les petites unités dans lesquelles Google compte le texte et l'audio. La même page convertit le tarif audio en $0.00225 pour 10 secondes actuellement, puis $0.0045 à partir de janvier. Cela représente environ 1.35 cent par minute d'audio fini cette année, et environ 2.7 cents à partir du jour de l'an. Un module narré de dix minutes revient à environ 13.5 cents d'audio cette année, et 27 cents ensuite. Flash-Lite TTS est indiqué à $6, puis $12, soit environ 0.9 cent la minute actuellement et 1.8 cent à partir de janvier. Le script que vous envoyez est facturé en plus, à $0.50 par million de tokens pour les deux modèles, puis $1.00.

Le même tableau indique un palier gratuit, sans frais, et une ligne qui compte pour quiconque téléverse une voix. Sous « Used to improve our products », la page de Google indique Yes pour le palier gratuit et No pour le palier payant.

La seule mesure indépendante que nous ayons trouvée est celle de Simon Willison. C'est un développeur et rédacteur qui a mené son propre test le jour du lancement, le 23 septembre :

It took ~20 seconds to generate 1m 18s of audio using Gemini 3.8 Flash TTS (not the cheaper Flash-Lite), at a cost of 2.74 cents.

Il s'agit d'un seul clip, un dialogue scénarisé entre deux pélicans, et le coût est celui qu'il rapporte. Ce n'est pas une grille tarifaire. Planifiez avec le tarif indiqué par Google, y compris le doublement de janvier.

Le second, c'est la portée. Le billet de lancement de Google indique que les modèles vont à « everyone » (tout le monde) dans deux applications qui ne nécessitent aucun code : Flash TTS dans Gemini Notebook, et Flash-Lite TTS dans Google Vids. Les développeurs obtiennent les deux via l'API Gemini, la connexion que d'autres logiciels utilisent pour envoyer un script à Google et récupérer l'audio en retour, ainsi que via Google AI Studio, l'espace de travail dans le navigateur où Google permet d'essayer ses modèles. L'accès pour les entreprises via Gemini Enterprise est indiqué comme à venir prochainement.

Lisez cette liste attentivement. Elle nomme des modèles, pas des fonctionnalités. Aucune des pages que nous avons consultées ne dit si le clonage vocal fait partie de ce qui arrive dans Notebook et Vids. Les modèles sont là. Le clonage, peut-être pas.

Quant à savoir pourquoi Google a lancé le clonage maintenant, Willison a une hypothèse, qui reste la sienne, pas celle de Google :

I guess voice cloning is widely enough available now from other providers that Google are no longer hesitant to ship it.

Les garde-fous de Google, et les objections documentées

L'argumentaire de Google est celui ci-dessus : un enregistrement de consentement qui doit correspondre à l'échantillon de voix, un filigrane sur chaque clip, et une limite régionale. Sur ce dernier point, une note de bas de page sur l'annonce de Google indique que la réplication vocale via AI Studio n'est pas disponible dans l'Illinois, au Texas, dans l'Espace économique européen (l'UE plus la Norvège, l'Islande et le Liechtenstein), au Royaume-Uni, en Suisse ou en Inde. Google n'explique pas pourquoi. La note ne couvre qu'AI Studio. Les pages que nous avons consultées ne disent pas si la même limite s'applique via l'API ou dans les applications grand public.

La critique est ténue, et il vaut mieux le dire sans détour. Au 26 septembre, notre recherche sur The Verge, TechCrunch et Ars Technica n'a trouvé aucun article critique sur cette sortie. Nous n'avons trouvé non plus aucune déclaration à ce sujet de la part de SAG-AFTRA, Equity ou NAVA, trois organisations qui représentent les comédiens de doublage. Les objections que nous avons trouvées proviennent de quatre utilisateurs pseudonymes dans un même fil sur Hacker News, un forum de discussion populaire auprès des développeurs de logiciels.

La première porte sur le filigrane. Un utilisateur nommé gruez a suggéré un contournement : générer la parole dans une voix générique avec le modèle de Google, puis la transformer dans la voix cible avec un outil de clonage tournant sur son propre ordinateur :

That'll probably get rid of any C2PA watermarks too.

C'est une prédiction, nuancée par « probably » (probablement), et elle nomme l'étiquette C2PA, pas SynthID. Personne dans nos sources ne l'a testée. L'idée sous-jacente tient toujours, et le commentaire de Willison cité plus haut la conforte : des outils de clonage existent en dehors de Google. Tel que Google le décrit, le contrôle de consentement encadre le clonage effectué via Google. Il ne peut pas empêcher quelqu'un de cloner une voix avec un autre outil, et un filigrane n'aide que s'il est toujours présent dans l'audio au moment où quelqu'un le recherche.

Les pages de Google laissent aussi une question ouverte. Elles disent que l'enregistrement de consentement doit correspondre à l'échantillon. Elles ne disent pas si le contrôle peut distinguer un enregistrement de consentement réel d'un enregistrement synthétique. Un utilisateur nommé kmoser a posé exactement cette question :

Does it detect synthesized consent recordings?

Un autre utilisateur, pixl97, a répondu qu'un tel contrôle ne tiendrait pas :

There is no world in which something like that works over a few months.

C'est une affirmation. Le fil n'offre aucun test à l'appui, et les pages de Google n'en offrent aucun pour la contredire.

La dernière objection est pratique : peut-on seulement utiliser cela au travail ? Un utilisateur nommé rcr-anti a écrit :

there's no alignment across the three platforms they have, consumer, prosumer, cloud.

Ce même commentaire ajoute que les modèles n'ont même pas les mêmes capacités d'une plateforme à l'autre. La propre liste de lancement de Google a cette forme-là : un modèle dans Notebook, l'autre dans Vids, un accès entreprise encore à venir, et une limite régionale écrite uniquement pour AI Studio.

Au 26 septembre, aucune des sources que nous avons consultées ne rapporte de test indépendant sur la capacité de SynthID à survivre au montage, à la compression ou au re-doublage, ni sur la capacité d'un clip de consentement synthétique à passer le contrôle.

Des voix off sans problème de consentement

Divisez la tâche en deux.

La majorité des travaux de voix off n'ont besoin de la voix de personne : vidéos explicatives produit, éditions audio d'articles, formation interne. Utilisez l'une des voix de la bibliothèque de Google, ou, sur Flash TTS, une voix conçue à partir d'une description écrite, que l'annonce de Google dit ce modèle capable de créer. Aucune des deux voix n'appartient à une personne réelle. L'exigence de consentement de Google est écrite pour le clonage, tout comme la note régionale.

Ne clonez une voix que lorsque la voix elle-même est l'objet du travail : le fondateur qui narre les actualités de l'entreprise, ou un présentateur que votre audience connaît déjà. Avant de le faire, vérifiez trois choses.

Où vous êtes. Si vous travaillez dans l'un des endroits listés et prévoyiez de cloner dans AI Studio, la note de bas de page dit que vous ne pouvez pas. Si vous passez par un compte Google d'entreprise, confirmez que le produit dont vous disposez réellement inclut la fonctionnalité. La propre liste de Google place des modèles différents dans des produits différents.

Qui enregistre le consentement. Cela doit être le propriétaire de la voix, lisant la phrase de Google de sa propre voix. Google indique que cet enregistrement est vérifié par rapport à l'échantillon.

Ce que Google conserve. Selon la documentation de Google, la voix clonée est stockée par défaut dans votre projet Google, l'espace de compte où Google conserve vos réglages d'API et votre usage.

La documentation indique une rétention d'un an pour les voix stockées. L'alternative est une clé vocale chiffrée que votre propre logiciel conserve à la place de Google, et pour cela la documentation indique sept jours. La documentation que nous avons lue ne dit pas combien de temps Google conserve l'enregistrement de consentement. Si vous demandez à un collègue de prêter sa voix, c'est bon à savoir avant qu'il n'enregistre.

Une partie de ce travail se répète, comme transformer chaque nouvel article de blog ou entrée de changelog en clip audio. C'est une petite automatisation, pas une corvée hebdomadaire. Dans Latenode, le cœur en tient dans une seule étape de code courte. Une étape JavaScript peut y installer n'importe quelle bibliothèque NPM, ces paquets de code prêts à l'emploi que les développeurs partagent, afin d'appeler l'API Gemini avec votre propre clé API Google, ce code semblable à un mot de passe qui indique à Google quel compte facturer. Elle envoie le texte de l'article et demande une voix de bibliothèque ou une voix conçue à partir d'une description, jamais une voix clonée. Cette même étape peut ensuite transmettre le fichier terminé à votre propre stockage ou site web via la bibliothèque NPM de ce service, si celui-ci en publie une. Laisser le clonage de côté est un choix délibéré. Le clonage nécessite le consentement enregistré du propriétaire de la voix et est limité par région, et ni l'un ni l'autre n'a sa place dans une tâche qui tourne sans surveillance. Les deux factures restent séparées. Google facture l'audio sur votre compte Google, aux tarifs indiqués sur la page tarifaire de Google, qui doublent le 1er janvier 2027. Latenode mesure chaque exécution en secondes CPU consommées, le temps de calcul utilisé, si bien qu'une exécution plus courte coûte proportionnellement moins cher. Il n'y a pas de facturation minimale par exécution, et le palier gratuit de Latenode inclut 10 000 secondes CPU par mois.

Utilisez les voix qui n'appartiennent à personne, ne clonez qu'avec le propriétaire présent

Utilisez dès maintenant Gemini 3.8 TTS pour vos voix off si vos scripts changent souvent et qu'une voix de bibliothèque ou conçue suffit : vidéos explicatives, éditions audio, formation. Au tarif indiqué par Google, l'audio de Flash coûte environ 1.35 cent la minute jusqu'à fin 2026, et environ 2.7 cents à partir du 1er janvier 2027, sans que les droits de personne ne soient en jeu.

Ne clonez une voix que si elle est la vôtre, ou appartient à quelqu'un qui enregistrera lui-même la phrase de consentement de Google. Avant de promettre à un client une narration clonée, vérifiez que la voie que vous comptez réellement utiliser fonctionne là où vous êtes. Si vous êtes dans l'UE, au Royaume-Uni ou dans un autre endroit listé, partez du principe que le clonage dans AI Studio vous est fermé. Pour Notebook et Vids, regardez dans le produit avant de bâtir un plan dessus, car l'annonce de Google ne dit pas si le clonage y est présent.

Ne comptez pas sur les garde-fous pour protéger les personnes dont les voix sont en jeu. Selon Google, le contrôle de consentement empêche qu'on clone la voix d'un inconnu à l'intérieur des propres produits de Google, et cela a une certaine valeur. Au-delà de ce point, ce qui reste, c'est le filigrane. Au 26 septembre, aucune des sources que nous avons consultées ne rapporte de test sur sa capacité à survivre au montage, et d'autres outils de clonage existent déjà, hors de portée du contrôle de Google. Si vos auditeurs doivent savoir qu'une voix est synthétique, la seule méthode fiable est de le leur dire vous-même.