Cloner et créer des voix par IA : usages, qualité et bonnes pratiques

Il suffit aujourd'hui de quelques secondes d'enregistrement pour qu'un logiciel restitue le timbre, l'accent et la musicalité d'une voix humaine. En janvier 2023, une équipe de Microsoft a présenté VALL-E, un système capable de reproduire une voix à partir d'un échantillon de trois secondes. Un peu plus d'un an plus tard, en mars 2024, OpenAI dévoilait Voice Engine, sa propre technologie, entraînée pour recréer une voix synthétique à partir de quinze secondes d'audio. Entre-temps, des services grand public comme ceux d'ElevenLabs ont rendu la synthèse vocale accessible à quiconque dispose d'un micro et d'une connexion. La voix, cet attribut si intime de l'identité, est devenue une donnée que l'on peut apprendre, modéliser et régénérer.

Cet article propose un panorama serein et pratique de la synthèse et du clonage vocal par intelligence artificielle. Nous verrons comment fonctionne la technologie, du texte au son ; quels sont ses usages légitimes et déjà bien installés — de l'accessibilité au doublage, en passant par les livres audio et les jeux vidéo ; comment juger de la qualité d'une voix générée ; et surtout quel cadre de consentement et de bonnes pratiques encadre ces outils. L'objectif n'est pas de dresser un tableau anxiogène, mais de donner des repères concrets à quiconque envisage d'utiliser ces technologies de façon responsable.

Un mot de méthode. La voix synthétique se situe à la croisée de plusieurs disciplines : traitement du signal, apprentissage automatique, mais aussi droit de la personnalité et éthique du consentement. Nous les aborderons dans cet ordre, en distinguant à chaque étape ce qui relève de la performance technique et ce qui relève des règles d'usage. Car la qualité d'une voix clonée ne se mesure pas seulement à son réalisme : elle se mesure aussi à la légitimité de la manière dont elle a été obtenue.

Synthèse et clonage : deux gestes à ne pas confondre

Avant d'entrer dans les rouages, il faut distinguer deux opérations que le langage courant confond volontiers. La synthèse vocale — ou text-to-speech (TTS) — consiste à transformer un texte écrit en parole audible. Le résultat est une voix, mais pas nécessairement celle d'une personne existante : ce peut être une voix générique, conçue pour être neutre et agréable, comme celles des assistants vocaux ou des systèmes de navigation.

Le clonage de voix est un cas particulier de synthèse : il s'agit de faire en sorte que la parole générée reproduise le timbre et les inflexions d'une voix cible précise. On ne se contente plus de « parler », on parle « comme untel ». C'est cette capacité à imiter une voix identifiable qui soulève les questions les plus délicates de consentement, et qui constitue le cœur de notre sujet.

Clonage instantané contre clonage professionnel

Dans la pratique, les fournisseurs distinguent deux niveaux de clonage, qui correspondent à deux compromis entre rapidité et fidélité. Le premier, souvent appelé clonage instantané, produit une voix ressemblante à partir d'un échantillon assez court — à partir d'une minute d'audio environ, selon la documentation d'ElevenLabs, qui déconseille de dépasser trois minutes. Cette même documentation décrit le procédé comme une adaptation « few-shot » : le modèle utilise l'extrait audio comme signal de conditionnement au moment de la génération, sans modifier ses propres paramètres. C'est rapide, pratique, mais la fidélité reste approximative.

Le second niveau, le clonage professionnel, entraîne un modèle dédié sur un corpus bien plus vaste. Le même fournisseur recommande un minimum de trente minutes d'enregistrement, et idéalement deux à trois heures d'audio propre, pour obtenir une voix « virtuellement indiscernable » de l'originale. Le gain de qualité est net, mais il exige du temps, un matériel d'enregistrement soigné et — point capital — le consentement documenté de la personne dont on clone la voix.

• Clonage instantané : environ une à trois minutes d'audio, résultat quasi immédiat, fidélité correcte pour du prototypage ou des usages informels.
• Clonage professionnel : de trente minutes à plusieurs heures d'audio, entraînement d'un modèle dédié, fidélité proche de l'indiscernable, adapté aux usages éditoriaux exigeants.
• Voix de synthèse générique : aucune personne réelle imitée, voix conçue pour être neutre, idéale quand l'objectif est la clarté et non l'imitation.

Cette gradation est utile à garder en tête : selon le besoin, on ne mobilise ni la même quantité de données, ni le même cadre juridique. Un tutoriel interne peut se contenter d'une voix générique ; un livre audio lu « par l'auteur » suppose, lui, un clonage professionnel et un accord explicite.

Comment une machine apprend à parler

Pour comprendre ce que valent ces outils, il faut ouvrir le capot. La synthèse vocale moderne repose sur un enchaînement de traitements qui transforment, étape par étape, une suite de lettres en une onde sonore. Longtemps, les systèmes assemblaient des fragments de voix préenregistrés — une technique dite concaténative, robuste mais mécanique. L'approche neuronale, qui domine aujourd'hui, procède tout autrement : elle génère le son de bout en bout.

Du texte au son : un pipeline en trois temps

Le schéma classique d'un système neuronal se déroule en trois grandes étapes. D'abord, le texte est converti en phonèmes, les unités élémentaires du son de la parole. Cette étape de « phonémisation » réduit considérablement les erreurs de prononciation, en particulier sur les mots rares ou les noms propres qui n'apparaissaient pas dans les données d'entraînement.

Ensuite, un modèle acoustique traduit cette suite de phonèmes en un spectrogramme, c'est-à-dire une représentation visuelle de l'énergie sonore au fil du temps et des fréquences. Des architectures comme Tacotron 2 ou FastSpeech 2 se sont imposées à cette étape ; elles prédisent le spectrogramme à partir de la séquence de phonèmes, en modélisant au passage le rythme, la hauteur et l'intensité — ce que l'on appelle la prosodie.

Enfin, un vocodeur convertit ce spectrogramme en une véritable onde sonore, celle que l'oreille perçoit. Les premiers vocodeurs neuronaux, comme WaveNet présenté par DeepMind, produisaient un son d'un réalisme saisissant mais lentement ; des successeurs comme HiFi-GAN ont depuis rendu cette étape rapide et efficace, compatible avec des usages en temps réel.

« Un modèle acoustique prédit les spectrogrammes à partir d'une séquence d'entrées linguistiques au niveau du phonème ; un vocodeur neuronal indépendant du locuteur convertit ensuite ces spectrogrammes en une onde audio de haute fidélité. » — Description technique du pipeline TTS neuronal.

La rupture des modèles de codec neuronal

À partir de 2023, une nouvelle génération de systèmes a bousculé ce schéma. Plutôt que de prédire un spectrogramme, ils traitent la voix comme une langue : le son est d'abord découpé en une suite de « jetons » discrets par un codec audio, puis un modèle de langage — cousin de ceux qui génèrent du texte — apprend à prédire le jeton suivant. C'est l'approche de VALL-E, présenté par Microsoft en janvier 2023.

L'intérêt de cette bascule est double. D'abord, elle permet un apprentissage « en contexte » : à la manière d'un grand modèle de langage qui adapte son style à partir de quelques exemples, ces systèmes reproduisent une voix à partir d'un très court échantillon, sans réentraînement. Ensuite, ils héritent des progrès rapides du domaine des modèles de langage. En juin 2024, l'équipe de Microsoft a d'ailleurs publié VALL-E 2, décrit dans son article comme atteignant, pour la première fois, une parité de niveau humain sur certains jeux de tests de synthèse à voix inconnue. Cette convergence entre traitement du texte et traitement de la parole explique une bonne part de l'accélération observée ces dernières années.

Ce que « cloner une voix » veut dire, concrètement

Un point mérite d'être clarifié, car il est souvent mal compris. Cloner une voix ne consiste pas à « copier-coller » des sons enregistrés. Le modèle apprend une représentation abstraite du timbre — cette signature acoustique propre à chaque personne, faite de la forme du conduit vocal, des habitudes d'articulation, du rythme naturel. À partir de cette empreinte, il peut ensuite faire dire à la voix des phrases qu'elle n'a jamais prononcées. C'est cette dissociation entre le contenu (ce qui est dit) et l'identité vocale (qui semble le dire) qui rend la technologie si puissante — et si sensible.

Cette même dissociation ouvre des possibilités remarquables. Puisque le contenu et la voix sont séparés, on peut faire parler une voix dans une langue que la personne ne maîtrise pas. Dès 2023, Microsoft présentait VALL-E X, une variante interlingue permettant de « parler une langue étrangère avec sa propre voix ». C'est exactement ce principe qui sous-tend les usages de doublage que nous allons maintenant examiner.

Des usages concrets, déjà bien installés

Loin des scénarios spéculatifs, la synthèse et le clonage vocal servent déjà des besoins réels et positifs. Passons en revue les domaines où ces outils apportent une valeur tangible, en s'appuyant sur des exemples documentés.

L'accessibilité : rendre ou préserver une voix

C'est sans doute l'usage le plus émouvant, et l'un des plus utiles. Les personnes atteintes de maladies dégénératives comme la sclérose latérale amyotrophique (SLA) perdent progressivement l'usage de la parole. La synthèse vocale personnalisée leur permet de conserver une voix qui leur ressemble.

Apple a intégré cette idée au grand public avec la fonction Personal Voice, disponible sur iPhone et Mac depuis iOS 17 et macOS Sonoma, à l'automne 2023. En lisant à voix haute une série d'environ 150 phrases pendant une quinzaine de minutes, l'utilisateur constitue une « banque » de sa propre voix ; l'appareil l'entraîne ensuite localement, la nuit, pendant qu'il charge. La personne peut alors taper du texte et l'entendre prononcé avec sa voix lors d'appels ou de conversations en face à face. Comme le souligne la presse spécialisée, cette approche abaisse spectaculairement la barrière du « voice banking », un service traditionnellement coûteux et long à mettre en place.

OpenAI cite d'ailleurs ce cas parmi les usages phares de Voice Engine : donner une voix — et non un timbre robotique — aux personnes qui ne peuvent pas parler ou éprouvent des difficultés à le faire. On mesure ici tout ce que la technologie peut apporter lorsqu'elle sert directement la dignité et l'autonomie des personnes.

Le doublage et la traduction audio

Le deuxième grand usage concerne le franchissement des barrières de langue. Traditionnellement, doubler un contenu dans une autre langue suppose de recruter des comédiens et de réenregistrer entièrement les dialogues. La traduction vocale par IA propose une alternative : conserver la voix originale du locuteur, tout en la faisant parler dans une nouvelle langue.

Spotify a lancé un projet pilote en ce sens en septembre 2023, en s'appuyant sur la technologie de génération vocale d'OpenAI. La plateforme a travaillé avec des animateurs de podcasts comme Lex Fridman, Dax Shepard ou Steven Bartlett pour proposer des épisodes traduits en espagnol, en français et en allemand — tout en préservant les caractéristiques distinctives de la voix de chacun. Pour l'auditeur, l'expérience est plus personnelle qu'un doublage classique : c'est bien « la voix » du podcasteur qu'il entend, dans sa propre langue.

« Un épisode de podcast enregistré à l'origine en anglais peut désormais être disponible dans d'autres langues tout en conservant les caractéristiques vocales distinctives du locuteur. » — Présentation du pilote de traduction vocale de Spotify, septembre 2023.

Livres audio, jeux vidéo et création de contenu

La production de livres audio représente un débouché naturel. Narrer un ouvrage entier mobilise un comédien pendant de longues journées de studio ; la synthèse vocale permet d'envisager la lecture d'un plus grand nombre de titres, y compris des catalogues de fond qui n'auraient jamais justifié un enregistrement humain. Bien employée, elle élargit l'offre plutôt qu'elle ne remplace le travail des lecteurs professionnels, qui conservent tout leur intérêt pour les œuvres où l'interprétation prime.

Dans le jeu vidéo, les personnages secondaires et les dialogues dynamiques bénéficient de la même souplesse : générer des milliers de répliques contextuelles devient possible sans multiplier les séances de studio. Les créateurs de contenu, enfin, y trouvent un outil de production accéléré pour les voix off de vidéos, les modules de formation en ligne ou les supports pédagogiques. Dans tous ces cas, la logique est la même : réserver le talent humain là où il apporte le plus, et déléguer à la machine les tâches répétitives ou à grand volume.

• Formation et e-learning : produire et mettre à jour rapidement des narrations de cours, dans plusieurs langues.
• Médias et information : lecture automatique d'articles, versions audio de contenus écrits pour l'accessibilité.
• Service client : voix cohérente et disponible en continu pour les serveurs vocaux, avec un ton plus naturel que les anciens systèmes.
• Localisation : adapter un même contenu à des dizaines de marchés linguistiques sans réenregistrement complet.

Juger de la qualité d'une voix générée

Toutes les voix synthétiques ne se valent pas. Savoir évaluer un rendu est essentiel avant d'engager un projet. Plusieurs critères objectifs et subjectifs entrent en jeu.

Le naturel et la prosodie

Le premier critère est le naturel : la voix sonne-t-elle humaine, ou trahit-elle son origine artificielle par une monotonie, des liaisons maladroites, un rythme trop régulier ? La difficulté ne réside pas tant dans la prononciation des mots — désormais bien maîtrisée — que dans la prosodie : ces variations de hauteur, de débit et d'accentuation qui portent l'émotion et le sens. Une question, une exclamation, une hésitation n'ont pas la même mélodie ; un bon système sait les distinguer.

Les architectures récentes offrent d'ailleurs un contrôle explicite de ces paramètres. FastSpeech 2, par exemple, permet d'ajuster séparément la hauteur, la durée et l'énergie, ce qui donne au créateur une prise directe sur l'expressivité du résultat. C'est un progrès notable : on ne subit plus la prosodie du modèle, on la dirige.

La fidélité au locuteur et la robustesse

Pour un clonage, s'ajoute le critère de fidélité : la voix générée est-elle reconnaissable comme celle de la personne cible ? C'est ici que la quantité et la qualité des données d'entraînement font la différence. Un échantillon bruité, trop court ou enregistré dans de mauvaises conditions produira une imitation approximative. À l'inverse, quelques heures d'audio propre, capté au calme avec un bon micro, permettent d'atteindre une ressemblance remarquable.

La robustesse, enfin, désigne la constance du système face à des textes variés : chiffres, sigles, mots étrangers, phrases longues. Un modèle fragile « décroche » sur les cas difficiles, produisant des sons parasites ou des répétitions. Les travaux de recherche de 2024, comme VALL-E R, se sont précisément attachés à améliorer cette stabilité, notamment par un meilleur alignement entre le texte et le son généré.

Une méthode d'évaluation simple

Pour un praticien, la bonne démarche est empirique. Plutôt que de se fier aux démonstrations soigneusement choisies des fournisseurs, il convient de tester le système sur ses propres textes — ceux qu'on compte réellement produire, avec leur vocabulaire spécifique et leurs tournures. On écoute alors attentivement les fins de phrase, les nombres, les noms propres, et l'on juge du naturel sur une écoute prolongée, car les défauts se révèlent souvent à la longue. Un test de dix minutes sur du contenu représentatif vaut mieux que dix démonstrations impeccables mais génériques.

La qualité d'une voix synthétique ne se juge pas sur une phrase parfaite, mais sur sa constance : c'est la fatigue de l'oreille, au fil d'une longue écoute, qui révèle les vrais défauts.

Le consentement : la pierre angulaire

Aucune analyse honnête de ces outils ne peut faire l'économie de la question du consentement. Reproduire la voix d'une personne, c'est manipuler un attribut intime de son identité. La règle est simple à énoncer : on ne clone la voix de quelqu'un qu'avec son accord clair et documenté.

Une leçon publique : l'épisode de la voix « Sky »

Un événement de mai 2024 a mis cette exigence en pleine lumière. Lors du lancement de son modèle GPT-4o, OpenAI proposait une voix baptisée « Sky », que beaucoup ont trouvée troublante de ressemblance avec celle de l'actrice Scarlett Johansson — laquelle avait, selon ses déclarations, décliné une proposition de prêter sa voix. L'entreprise a précisé que « Sky » n'était pas une imitation de l'actrice mais la voix naturelle d'une autre comédienne professionnelle, engagée avant toute prise de contact avec Johansson. L'actrice a néanmoins mandaté des avocats, et OpenAI a rapidement retiré la voix « Sky » de son service.

Au-delà des faits particuliers, l'épisode illustre une réalité de fond : même la ressemblance d'une voix peut poser problème, indépendamment de la manière dont elle a été produite. Pour toute organisation qui déploie ces technologies, la prudence commande donc non seulement d'obtenir un consentement en amont, mais aussi d'éviter les rapprochements involontaires avec des voix célèbres. La ressemblance suffit parfois à créer une confusion préjudiciable.

Les garde-fous mis en place par les fournisseurs

Les acteurs sérieux du secteur ont intégré cette exigence dans leurs produits. ElevenLabs impose une étape de vérification vocale avant tout clonage : une technologie de « voice-captcha » confirme que la personne qui fournit l'échantillon est bien celle dont on entend la voix, et non un enregistrement de quelqu'un d'autre capté à son insu. Cette étape, précise la documentation, n'est pas une nécessité technique de la synthèse, mais une garantie éthique et juridique.

OpenAI, de son côté, a choisi une diffusion volontairement prudente de Voice Engine. Plutôt qu'une ouverture immédiate au public, l'entreprise a limité l'accès à quelques partenaires triés, tenus par des règles d'usage interdisant l'imitation d'une personne ou d'une organisation sans consentement. Elle a également mis en place un filigrane (watermarking) permettant de tracer l'origine de tout audio généré, et un suivi actif des usages. Cette retenue assumée témoigne d'une conscience partagée dans l'industrie : la puissance de l'outil appelle une responsabilité proportionnée.

Un cadre juridique qui se met en place

Le droit, enfin, commence à répondre. L'État américain du Tennessee, cœur historique de l'industrie musicale, a adopté en 2024 l'ELVIS Act (Ensuring Likeness Voice and Image Security Act), signé le 21 mars et entré en vigueur le 1er juillet 2024. Première législation de ce type aux États-Unis, elle étend la protection de la personnalité à la voix elle-même, et interdit l'usage de l'IA pour cloner la voix d'un artiste sans son consentement.

Le texte est notable par sa définition large : il protège « un son, dans un support, qui est aisément identifiable et attribuable à un individu particulier, que ce son contienne la voix réelle ou une simulation de la voix de la personne ». Autrement dit, la simulation est traitée à l'égal de l'enregistrement authentique. Cette initiative, saluée comme un jalon, préfigure un mouvement plus large d'encadrement de l'usage commercial des voix. En Europe, les principes de protection des données personnelles s'appliquent d'ores et déjà à la voix, considérée comme une donnée biométrique dès lors qu'elle sert à identifier une personne.

Bonnes pratiques : une check-list responsable

De ces constats découle une méthode de travail. Voici les principes que devrait suivre toute personne ou organisation souhaitant utiliser le clonage vocal de manière irréprochable.

Avant de cloner : la légitimité

• Obtenir un consentement écrit et spécifique. La personne doit savoir précisément à quoi servira sa voix, pour quelle durée et dans quel cadre. Un accord vague ne suffit pas.
• Documenter la provenance des données. Conserver la trace des enregistrements utilisés et de l'autorisation associée, pour pouvoir en justifier à tout moment.
• Privilégier une voix générique quand l'imitation n'est pas nécessaire. Si le but est simplement d'avoir une voix claire, inutile de cloner qui que ce soit : une voix de synthèse neutre évite toute question de consentement.
• Éviter les ressemblances involontaires. Vérifier que la voix retenue ne se rapproche pas trop de celle d'une personnalité connue, pour prévenir toute confusion.

Pendant la production : la transparence

• Signaler le caractère synthétique du contenu lorsque l'auditeur pourrait légitimement croire à une voix humaine. La transparence entretient la confiance.
• Utiliser des fournisseurs qui intègrent des garde-fous : vérification vocale à l'inscription, filigrane, politique d'usage claire.
• Soigner la qualité des données d'entraînement : un enregistrement propre donne un meilleur résultat et réduit le nombre de reprises.
• Conserver un contrôle éditorial humain. Relire et réécouter avant publication ; la machine produit, l'humain valide.

Après la diffusion : la traçabilité

La traçabilité mérite une attention particulière. Les techniques de filigrane, adoptées par plusieurs fournisseurs, inscrivent dans l'audio une marque discrète qui en atteste l'origine. Ce mécanisme sert un double objectif : permettre de vérifier qu'un contenu a bien été généré par un système donné, et responsabiliser les usages. Conserver ces marques, plutôt que de chercher à les effacer, participe d'un écosystème plus sain, où l'on peut distinguer ce qui a été enregistré de ce qui a été synthétisé. C'est un investissement modeste au regard de la confiance qu'il préserve.

Ce que la technologie ne fait pas (encore) parfaitement

Par honnêteté, il faut aussi nommer les limites. Le réalisme des voix synthétiques a beaucoup progressé, mais des écueils subsistent, et il serait imprudent de les taire.

La charge émotionnelle reste le point le plus délicat. Une voix humaine module en permanence son intensité selon l'émotion : la colère contenue, la tendresse, l'ironie fine ne se réduisent pas à des variations de hauteur et de débit. Les systèmes actuels rendent bien les émotions marquées, mais peinent encore sur les nuances subtiles ou les longues plages narratives où l'interprétation compte. C'est précisément là que le talent d'un comédien reste irremplaçable.

Les langues et accents peu dotés constituent un autre défi. La qualité d'un modèle dépend directement du volume de données disponibles pour une langue donnée. Les grandes langues internationales sont bien servies ; les langues régionales, les accents particuliers ou les registres spécialisés le sont moins. Les travaux se multiplient pour combler ces écarts, mais la parité n'est pas encore atteinte partout.

Enfin, la robustesse sur les textes atypiques — équations, tableaux lus à voix haute, alternances de langues au sein d'une même phrase — demeure perfectible. Un test préalable sur son propre matériau reste, là encore, la meilleure des précautions. Reconnaître ces limites n'est pas dévaloriser la technologie : c'est la situer justement, comme un outil puissant mais spécialisé, dont on tire le meilleur en connaissant ses points d'appui et ses angles morts.

La voix synthétique excelle sur les volumes, la répétition et la disponibilité ; le talent humain garde l'avantage sur l'interprétation et la nuance émotionnelle. Les deux se complètent plus qu'ils ne se remplacent.

Une technologie mûre, à manier avec discernement

Que retenir de ce panorama ? D'abord, que la synthèse et le clonage vocal sont désormais des technologies matures, accessibles et utiles. En quelques secondes ou quelques minutes d'audio, on obtient des voix d'un réalisme qui aurait paru inatteignable il y a peu. Les briques techniques — phonémisation, modèle acoustique, vocodeur, ou l'approche par codec neuronal des systèmes les plus récents — se sont raffinées jusqu'à approcher, sur certains tests, la qualité de la parole humaine.

Ensuite, que les usages légitimes sont nombreux et déjà bien réels : rendre une voix à ceux qui la perdent, franchir les barrières de langue en préservant l'identité vocale, produire des livres audio et des contenus pédagogiques à grande échelle. Ces applications améliorent concrètement l'accès à l'information et à la parole.

Enfin, et surtout, que la qualité d'un usage ne se mesure pas seulement à son réalisme technique, mais à la légitimité de la démarche. Le consentement documenté, la transparence envers l'auditeur, la traçabilité par filigrane, le respect d'un cadre juridique en construction : voilà les repères qui distinguent un usage responsable d'un usage hasardeux. Les fournisseurs sérieux l'ont compris, en intégrant des garde-fous ; le droit s'y attelle, comme le montre l'exemple pionnier du Tennessee ; à chaque praticien, désormais, d'adopter les bonnes pratiques.

La voix est ce que nous avons de plus personnel après le visage. Que l'on puisse aujourd'hui l'apprendre et la régénérer par la machine est une avancée considérable — porteuse de services précieux, à condition d'être maniée avec le discernement qu'elle mérite. C'est tout l'enjeu, et c'est aussi la bonne nouvelle : ces outils, bien encadrés, servent d'abord ceux qui en ont le plus besoin.

Sources

Cet article s'appuie sur des sources publiques et vérifiables :

• Microsoft Research, « Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers » (VALL-E, janvier 2023) — Synced Review.
• Microsoft, « VALL-E 2: Neural Codec Language Models are Human Parity Zero-Shot Text to Speech Synthesizers » (juin 2024) — arXiv 2406.05370.
• OpenAI dévoile Voice Engine, clonage à partir de 15 secondes (mars 2024) — Euronews et TechCrunch.
• ElevenLabs, documentation officielle sur le clonage de voix instantané et professionnel — elevenlabs.io.
• Apple, « Live Speech, Personal Voice » — fonctions d'accessibilité iOS 17 (mai/septembre 2023) — apple.com/newsroom.
• Spotify, « AI Voice Translation Pilot » avec Lex Fridman et Dax Shepard (septembre 2023) — newsroom.spotify.com.
• Scarlett Johansson et la voix « Sky » d'OpenAI (mai 2024) — NPR.
• Tennessee ELVIS Act, première loi américaine protégeant la voix face à l'IA (2024) — Wikipedia et tn.gov.