Donnez à chaque personnage de votre jeu une voix qui lui va: un forgeron rauque, un éclaireur nerveux, un héros au calme tendu. Choisissez une voix prête à l'emploi, décrivez-en une avec des mots ou clonez la vôtre, puis dirigez l'interprétation réplique par réplique pour qu'elle reste la même de la première phrase à la dernière cinématique.
Un jeu avec quarante personnages nommés et une seule voix de narrateur sonne comme une pièce de fin d'année. Les joueurs pardonnent un graphisme simple bien avant de pardonner un forgeron qui parle exactement comme la reine. Les modèles de synthèse vocale savent désormais donner à chaque PNJ et à chaque héros une voix qui lui est propre, en une après-midi de prototype plutôt qu'en un mois de casting, et cette page montre comment les choisir, les diriger et les garder cohérentes.
La voix est le moyen le plus rapide de distinguer les personnages. Un joueur qui ne voit pas celui qui parle, parce que la caméra a bougé ou que la boîte de texte est sur le côté, sait quand même qui parle si la voix porte l'âge, le caractère et l'attitude. La plupart des petites équipes ne doublent rien du tout, non par manque d'envie, mais parce que recruter et enregistrer quarante rôles est un projet à part entière, et une seule réplique oubliée oblige à rappeler le comédien.
La synthèse vocale comble ce vide de façon pratique. Vous pouvez mettre de vrais dialogues parlés dans un prototype, vérifier que le rythme d'une scène tient quand les répliques sont entendues au lieu d'être lues, remplir une version de game jam de salutations et de cris de combat, ou donner une voix à un narrateur en attendant la distribution finale. Picasso IA compte 24 modèles de synthèse vocale parmi ses 502, dont elevenlabs/v3 et qwen/qwen3-tts, et tous fonctionnent dans le toolkit: comparer trois moteurs pour un même personnage prend quelques minutes. Les nouveaux comptes reçoivent des crédits gratuits pour essayer.
Tous les personnages n'ont pas besoin du même traitement. Un commerçant de six répliques peut se contenter d'une voix prête à l'emploi, alors que le héros qui parle pendant dix heures mérite une voix conçue pour lui. Voici les quatre leviers dont vous disposez, et le tableau montre quand chacun convient.
| Approche | Comment ça marche sur Picasso IA | Idéal pour | Attention à |
|---|---|---|---|
| Voix prête à l'emploi | Choisissez un locuteur du catalogue: elevenlabs/v3 propose plus de 25 voix, qwen/qwen3-tts en propose neuf | Prototypes, commerçants, gardes, répliques de foule | Deux personnages sans lien peuvent finir avec la même voix |
| Conception de voix | Décrivez la voix avec des mots simples dans le mode conception de voix de qwen/qwen3-tts | Monstres, esprits et héros qu'aucune voix du catalogue ne convient | Une description est un brief, pas une recette: gardez les prises qui vous plaisent |
| Clonage de voix | Donnez à qwen/qwen3-tts ou à minimax/voice-cloning un court enregistrement de référence | Votre propre voix, ou un comédien qui a accepté par écrit | Seulement des voix qui vous appartiennent ou que vous avez le droit d'utiliser |
| Direction de style | Le curseur de style d'elevenlabs/v3 ou l'instruction de style de qwen/qwen3-tts | Une même voix dans des humeurs différentes: calme, colère, peur | Pousser trop loin le réglage peut faire que la voix ne sonne plus comme elle-même |
La conception de voix est le levier qui compte le plus pour les jeux. Les voix du catalogue sont souvent pensées pour la narration et les vidéos explicatives, alors que les personnages sont exagérés par nature: un trésorier gobelin, un chevalier retraité à la voix fêlée, l'ordinateur d'un vaisseau qui essaie de paraître aimable. Écrire une courte description, comme une vieille dame à la voix rauque, sèche et amusée, qui parle lentement, et entendre une prise en quelques secondes change complètement la manière de faire un casting.
Voici la boucle qui fonctionne pour trois personnages comme pour cinquante. Elle suppose que vos dialogues sont déjà écrits, même en brouillon.
Un modèle de synthèse vocale lit ce que vous tapez, donc le texte lui-même est votre principal outil de direction. La ponctuation donne le rythme: une virgule est un court souffle, des points de suspension sont une hésitation, un saut de ligne est une pause. Si un nom inventé sort mal, écrivez-le comme il se prononce, de sorte que Zephyros pourrait devenir Zéfiros, et gardez cette orthographe phonétique dans votre fiche de voix.
Au-delà du texte, les modèles offrent de vrais réglages. Dans elevenlabs/v3, vous réglez la stabilité, l'exagération de style et la vitesse, et vous pouvez transmettre la réplique précédente et la suivante comme contexte pour que l'intonation s'accorde à la fin de chaque phrase. Dans qwen/qwen3-tts, une instruction de style accepte des indications simples comme parle lentement ou ton enthousiaste. Changez un seul réglage à la fois et prenez des notes, sinon vous ne saurez jamais ce qui a corrigé la prise.
Dirigez pour la situation, pas pour le personnage. Un héros qui chuchote parce que des ennemis sont proches et un héros qui chuchote parce qu'il est en deuil demandent deux indications différentes, et tous deux gardent la même voix. Écrivez la situation dans l'indication de style, pas seulement le mot de l'émotion.
La longueur compte aussi. Les répliques courtes, comme un garde qui dit halte ou un marchand qui dit bienvenue, sont les plus faciles à bien générer et les moins chères à refaire. Les longs monologues de cinématique ont plus de marge pour fléchir au milieu: coupez-les aux respirations naturelles, générez chaque partie avec ses voisines en contexte et assemblez l'audio dans votre éditeur.
L'échec le plus courant n'est pas une mauvaise voix, c'est une voix qui change sans prévenir. L'aubergiste du chapitre un et celui du chapitre six devraient être la même personne, et avec de l'audio généré cela n'arrive que si vous le faites arriver.
Traitez chaque personnage comme une petite ressource avec ses propres réglages. Générez toutes les répliques d'un personnage avec le même modèle, la même voix et les mêmes valeurs de curseurs, et évitez de changer de moteur en cours de projet, car deux modèles ne lisent jamais une même description de voix de la même façon. Gardez une prise validée par personnage comme référence et, quand vous ajoutez des répliques des mois plus tard, comparez la nouvelle prise avec elle avant qu'elle n'entre dans la version. Si vous utilisez une voix clonée, l'enregistrement de référence est l'ancre: conservez-le avec le projet.
La voix ne fait que la moitié d'un personnage. La même discipline qui garde un visage stable d'une scène à l'autre, décrite dans personnages IA cohérents, vaut pour une voix: une référence fixe et des changements maîtrisés. Si vous préparez les visuels en même temps que l'audio, assets de jeu par IA et pixel art et sprites par IA couvrent le côté image, et le flux vocal général se trouve dans voix off par IA pour vos vidéos.
Les voix générées sont un outil solide pour le milieu d'un projet et plus faible pour son sommet. Cinq endroits où il faut prévoir les limites:
Rien de tout cela n'exclut l'outil. Cela veut dire que le plan réaliste est souvent un mélange: l'IA pour le prototype, les nombreux rôles mineurs et l'itération rapide, et des interprètes humains là où l'histoire repose sur une seule voix.
Oui. Les modèles de synthèse vocale transforment le texte d'un dialogue en audio parlé, et Picasso IA en compte 24 dans son catalogue de 502 modèles. Vous écrivez la réplique, choisissez ou concevez une voix et téléchargez un fichier audio à importer dans votre moteur. La qualité suffit pour des prototypes, des game jams et beaucoup de rôles mineurs, et certaines équipes iront plus loin, mais le jugement final sur les rôles principaux vous revient.
Oui. qwen/qwen3-tts a un mode de conception de voix où vous décrivez la voix en langage courant, par exemple un homme âgé, chaleureux et fatigué, avec un léger accent, et le modèle génère une voix à partir de cette description, sans enregistrement de référence. Le même modèle a aussi un mode de voix personnalisée avec neuf locuteurs prédéfinis et un mode de clonage, ce qui permet de comparer les trois sur la même réplique.
Commencez par la conception de voix de qwen/qwen3-tts quand le personnage ne ressemble à aucune voix du catalogue, et par elevenlabs/v3 quand vous voulez ses plus de 25 voix et ses réglages de stabilité, de style et de vitesse. Faites ensuite passer un troisième candidat de la collection de synthèse vocale avec les mêmes trois répliques de test. Le meilleur modèle est celui qui résiste à votre réplique la plus difficile, pas celui qui a la plus belle démo.
Cela dépend des conditions du modèle et de l'endroit où vous publiez. Les règles d'usage commercial varient d'un modèle à l'autre, et les plateformes et boutiques de jeux peuvent avoir leurs propres exigences sur le contenu généré par IA. Lisez les conditions du modèle utilisé, vérifiez les règles actuelles de chaque plateforme visée et gardez la trace du modèle qui a produit chaque réplique. Si un contrat ou un avocat entre en jeu, posez-lui la question, car cette page donne des informations générales.
Fixez tout ce qui peut changer. Utilisez le même modèle, le même nom de voix ou la même description écrite, la même langue et les mêmes valeurs de curseurs pour chaque réplique de ce personnage, et notez-les. Gardez une prise validée comme référence et comparez-y les nouvelles prises. Le moment risqué arrive des mois plus tard, quand vous ajoutez une réplique en ayant oublié les réglages utilisés.
Seulement avec son autorisation claire et écrite, et idéalement avec un contrat qui couvre l'usage synthétique. Un mode de clonage comme celui de qwen/qwen3-tts reproduit les caractéristiques d'un court enregistrement de référence, ce qui le rend utile pour votre propre voix ou pour un comédien qui a accepté. Ne clonez jamais une personne réelle qui n'a pas accepté, et n'imitez jamais un acteur connu ou une célébrité.
En partie. Vous orientez l'interprétation avec la ponctuation, avec le curseur de style d'elevenlabs/v3 et avec les instructions de style de qwen/qwen3-tts, et les répliques criées, calmes ou chuchotées sont à portée de main. Les émotions extrêmes, comme un vrai sanglot ou une voix qui se brise au milieu d'un mot, sont le point le plus faible et demandent souvent plusieurs prises. Pour le plus grand moment d'une histoire, prévoyez de comparer la prise générée à une interprétation humaine.
qwen/qwen3-tts prend en charge dix langues, dont l'anglais, l'espagnol, le français, l'allemand, l'italien, le portugais, le russe, le japonais, le coréen et le chinois, et elevenlabs/v3 vous laisse changer le code de langue avant de lancer la génération. Générer l'audio est la partie facile. Faites écouter le résultat à un locuteur natif, car les noms, l'argot et les blagues demandent souvent une adaptation plutôt qu'une traduction littérale.
Pas via Picasso IA. Le toolkit génère des fichiers audio que vous créez à l'avance et importez dans votre moteur, ce qui convient aux dialogues écrits, aux cris de combat et aux cinématiques. Un dialogue inventé à l'exécution demanderait un système vocal intégré au jeu lui-même, ce qui est un autre projet. Si votre script est fixe, les fichiers générés à l'avance sont simples et prévisibles.
La génération coûte des crédits, et le coût dépend du modèle et des réglages, donc il n'y a pas de chiffre unique. Les répliques courtes sont les moins chères à refaire, ce qui explique pourquoi travailler par scène et ne refaire que les prises faibles fonctionne bien. Les nouveaux comptes reçoivent des crédits gratuits pour tester votre distribution, et les offres actuelles se trouvent sur la page des tarifs, le seul endroit fiable pour les chiffres.
Votre distribution est déjà dans votre script. Ouvrez le toolkit de Picasso IA, choisissez votre premier personnage et écoutez comment il sonne avant la fin de l'après-midi.
Choisissez votre langue
