Outils et coûts 20 août 2026 11 min de lecture
Du manuscrit au livre audio : sept heures dans deux langues, une seule voix
Sept heures et trois minutes en français, sept heures et quarante-sept en arabe. Une voix clonée à partir d’enregistrements français, qui lit l’arabe de façon convaincante. Le compte rendu complet, y compris ce qu’un clone ne sait pas faire.
Par Youssef GhalemFondateur — Ai4x Academy, khls, TabTree, Miratti 20.08.2026
J’ai produit deux versions audio du même livre : sept heures et trois minutes en français, sept heures et quarante-sept minutes en arabe. Une seule voix, clonée à partir d’enregistrements français, et qui lit l’arabe de façon convaincante. Ce qui suit est le compte rendu de ce que ça demande vraiment — y compris ce qu’un clone ne sait pas faire.
Pourquoi un livre audio, et pour qui
La question mérite d’être posée avant la technique, parce qu’elle détermine tout le reste.
Un livre audio ne s’adresse pas aux mêmes personnes que le livre écrit. Il s’adresse à ceux qui ont du temps mais pas les mains libres : les trajets, la salle de sport, la marche. Au Maroc, cela désigne très précisément les embouteillages — et c’est là que se prennent une bonne partie des décisions d’un entrepreneur, faute d’un autre moment de calme dans la journée.
La conséquence pratique est importante : un livre audio n’est pas un produit dérivé, c’est un produit distinct, avec ses propres acheteurs. Beaucoup d’entre eux n’auraient jamais acheté la version écrite, non par manque d’intérêt mais par manque de créneau pour lire.
Ce que la voix clonée sait faire, et ce qu’elle ne sait pas
Commençons par la découverte qui m’a le plus surpris.
Cela mérite une explication. Ce qu’un clone reproduit, c’est le timbre : la couleur de la voix, sa hauteur, sa texture. Le timbre est une propriété physique de l’appareil vocal, pas une propriété de la langue. Il traverse donc les langues sans se dégrader.
Ce qui ne traverse pas, en revanche, c’est la prosodie : le placement des accents, le rythme des groupes de souffle, la courbe d’intonation d’une question. Là, chaque langue a ses règles, et un modèle qui n’a jamais entendu votre voix en arabe applique les règles générales de l’arabe, pas vos habitudes personnelles.
Concrètement, ce que ça donne
Un auditeur qui connaît votre voix reconnaît que c’est vous dans les deux langues. Un auditeur arabophone attentif entend une lecture correcte mais légèrement neutre — la diction d’un très bon présentateur plutôt que celle d’un auteur qui raconte son histoire. C’est un compromis acceptable, à condition de le connaître avant de décider.
Le rythme change, et ça change tout le planning
Quarante-quatre minutes séparent les deux versions du même texte. Ce n’est pas une variation de qualité, c’est une propriété des langues.
L’arabe écrit est plus dense : la même idée occupe moins de caractères, mais ces caractères se prononcent moins vite. Ma cadence mesurée en arabe tourne autour de 11,7 caractères par seconde. En français, le rapport est différent, et le résultat net est un audio plus long en arabe pour un texte plus court.
La leçon pratique : si vous produisez plusieurs langues, ne planifiez pas sur la base de la première. Le nombre de pages n’est pas un prédicteur fiable de la durée audio, et l’écart se paie en heures de contrôle d’écoute, pas seulement en secondes de rendu.
Les contraintes techniques qu’on découvre trop tard
Le chapitrage
Un fichier audio de sept heures sans chapitres est inexploitable. L’auditeur ferme l’application, la reprend le lendemain, et se retrouve à un endroit qu’il ne reconnaît pas. Le format qui gère le chapitrage — le M4B — n’est pas celui que produisent la plupart des outils de synthèse par défaut : il faut assembler.
Faites le découpage au moment de la production, chapitre par chapitre, en fichiers séparés. Reconstituer un chapitrage sur un fichier unique de sept heures est un travail pénible et sans intérêt.
Les normes de diffusion
Les plateformes de distribution imposent des normes techniques précises : niveau moyen dans une fourchette donnée, bruit de fond sous un plafond, et surtout crête maximale. Cette dernière est celle qui pose problème avec l’audio de synthèse.
Sur mes deux masters, la crête après encodage sort de la fourchette recommandée. Ce n’est pas audible — le résultat sonne parfaitement — mais c’est un motif de rejet automatique sur certaines plateformes. Je le mentionne parce que c’est exactement le genre de détail qu’on découvre au moment de la soumission, c’est-à-dire une fois tout le travail terminé.
L’ordre des opérations
Vérifiez les normes techniques de votre canal de distribution avant de produire les sept heures, pas après. Un paramètre d’encodage se change en une ligne au début et coûte un réencodage complet à la fin. Cette phrase résume à peu près tout ce que j’ai appris sur la production audio.
Le poids du fichier
Sept heures et quarante-sept minutes d’audio compressé pèsent environ 233 mégaoctets. C’est un chiffre à connaître pour deux raisons : le téléchargement sur réseau mobile, et l’hébergement. Un fichier de cette taille servi directement depuis un site mutualisé, à plusieurs acheteurs simultanés, va poser un problème que le site n’avait jamais rencontré.
Ce que ça remplace, et l’arbitrage économique
Comparons honnêtement les trois voies.
| La voie | Ce qu’elle coûte | Ce qu’elle donne | Quand la choisir |
|---|---|---|---|
| Studio avec comédien | Le plus cher | La meilleure interprétation, sans discussion. | Fiction, ou quand la voix est le produit. |
| S’enregistrer soi-même | Du temps | Votre voix réelle, avec vos hésitations. | Un livre court, et si vous supportez de vous réécouter des dizaines d’heures. |
| Voix clonée | Le moins cher | Votre timbre, une diction neutre, et la possibilité de corriger une phrase sans reprendre la séance. | Non-fiction, plusieurs langues, ou un texte qui va encore évoluer. |
Le dernier avantage de la troisième voie est celui qu’on sous-estime : la correction ponctuelle. Un chiffre à mettre à jour, un nom mal prononcé, un paragraphe réécrit — on régénère la phrase concernée. Avec un enregistrement en studio, la même correction demande de rappeler le comédien, de retrouver les mêmes conditions acoustiques, et souvent de refaire tout le chapitre pour que le raccord ne s’entende pas.
Pour un livre de non-fiction qui parle de chiffres et de dates, cette souplesse ne relève pas du confort. Elle décide de la durée de vie du produit.
Le protocole, dans l’ordre où je le referais
- Nettoyer le texte source avant tout
Les notes de bas de page, les renvois « voir page 42 », les tableaux, les URL : tout ce qui n’a pas de sens à l’oral doit être réécrit ou retiré. C’est le poste le plus long et le moins visible, et le sauter contamine toutes les étapes suivantes.
- Vérifier les contraintes techniques du canal de distribution
Fourchette de niveau, plafond de crête, format accepté, chapitrage exigé. Avant de produire une seule minute.
- Produire un chapitre entier, et l’écouter en entier
Pas trente secondes de démonstration : un chapitre complet, en voiture, dans les conditions réelles d’écoute. Les défauts de prosodie n’apparaissent qu’à la longueur.
- Produire chapitre par chapitre, en fichiers séparés
Le chapitrage se construit à ce moment-là. Ne jamais assembler avant d’avoir validé.
- Écouter l’intégralité au moins une fois
Sept heures. Il n’y a pas de raccourci. C’est aussi la seule étape où l’on entend les erreurs de prononciation sur les noms propres, et il y en a toujours.
- Assembler, encoder, contrôler les normes, puis publier
Le contrôle après encodage, pas avant : c’est l’encodage qui déplace les crêtes.
Le point de vue commercial
Un mot sur le prix, puisque c’est la question qui suit toujours.
Le livre audio n’a aucune raison de coûter moins cher que le livre écrit, et j’aurais tendance à dire l’inverse — il représente plus de travail et il s’adresse à un besoin plus contraint. Sur ma propre boutique, l’ebook est à 99 dirhams et l’audio à 199. Le pack qui contient les deux est également à 199, ce qui rend l’audio seul sans intérêt rationnel : c’est délibéré, et le mécanisme est expliqué dans l’article sur la grille de prix.
Une remarque sur les coûts, aussi : la production d’un livre audio est un cas d’école de l’arbitrage entre acheter un outil et payer un service. C’est exactement le calcul décrit dans le coût réel de votre pile logicielle, avec cette particularité que le volume est connu d’avance — vous savez combien d’heures vous allez produire, donc le point de bascule se calcule au lieu de s’estimer.
À retenir
- Un clone vocal transporte le timbre d’une langue à l’autre, pas la prosodie. Un seul entraînement suffit ; le résultat est reconnaissable mais plus neutre.
- La durée audio ne se déduit pas du nombre de pages. Un texte plus court en arabe donne un audio plus long.
- Vérifiez les normes techniques du canal de distribution avant de produire, pas après. C’est la leçon la plus rentable de tout le projet.
- Produisez chapitre par chapitre. Reconstituer un chapitrage sur un fichier de sept heures est un travail perdu.
- L’avantage décisif du clone n’est pas le prix : c’est de pouvoir corriger une phrase sans refaire une séance.
Questions fréquentes
Combien d’enregistrement faut-il pour entraîner un clone ?
Moins qu’on ne l’imagine, et la qualité compte plus que la durée. Un enregistrement propre — pièce silencieuse, micro correct, débit naturel — vaut mieux qu’un long échantillon bruité. Le piège classique est de lire en articulant exagérément : le clone reproduira cette diction artificielle sur sept heures.
Faut-il prévenir l’auditeur que la voix est synthétique ?
Oui, et pas seulement par honnêteté : ça évite la déception de celui qui s’attendait à une interprétation. Une mention sobre sur la page produit suffit. Ceux qui achètent quand même savent ce qu’ils prennent, et ceux que ça rebute vous auraient laissé un avis négatif.
Est-ce que ça marche pour la fiction ?
Moins bien, et pour une raison de fond. La fiction demande de l’interprétation : des personnages différenciés, du silence placé au bon endroit, une tension qui monte. C’est exactement ce que la prosodie porte, et c’est ce qu’un clone reproduit le moins bien. Pour de la non-fiction, où la voix transmet une information, l’écart est beaucoup plus faible.
Que faire des noms propres mal prononcés ?
Les corriger un par un, en écrivant la prononciation phonétiquement dans le texte source. C’est fastidieux et il n’y a pas d’alternative. Constituez un lexique dès le premier chapitre : les mêmes noms revenant tout au long du livre, chaque correction notée une fois sert cinquante fois.
Ce que je referais autrement
Une seule chose, mais elle aurait tout changé : vérifier les normes de la chaîne de distribution avant de produire. Tout le reste — le nettoyage du texte, le découpage, l’écoute intégrale — s’est passé à peu près comme prévu, avec la lenteur attendue. Le seul vrai regret est un paramètre d’encodage qu’il aurait fallu poser au début et qui a coûté un réencodage complet à la fin.
C’est un motif qui revient dans tous les projets que j’ai menés, et il n’a rien à voir avec l’audio : les contraintes de la dernière étape doivent être connues à la première. Sinon, on découvre à l’arrivée qu’il faut refaire le trajet.
