Voix : dictée et lecture à voix haute

Dans le chat, on peut dicter une question au lieu de la taper, et écouter une réponse au lieu de la lire. Les deux fonctions sont désactivées par défaut. Un administrateur les active pour tout l'espace dans Paramètres → Valeurs par défaut → Voix dans le chat.

Aucun enregistrement n'est conservé : l'audio de la dictée est envoyé au modèle de transcription, puis oublié ; l'audio d'une réponse lue est produit à la demande, sans être stocké.

Ce que voient les membres

• Bouton micro dans la zone de saisie : un clic lance l'enregistrement, un second l'arrête. Le texte transcrit s'ajoute à ce qui est déjà tapé ; on le relit, puis on l'envoie. Le navigateur demande l'accès au micro la première fois.
• Bouton « Lire à voix haute » sous chaque réponse, à côté de « Copier ». Un clic lance la lecture, un second l'arrête. Une seule réponse est lue à la fois.
• Lecture automatique (si l'administrateur l'active) : chaque nouvelle réponse est lue dès qu'elle est terminée. Ouvrir une ancienne conversation ne lit rien de lui-même.

Avant la lecture, la mise en forme est retirée : titres, gras, listes, liens (seul le texte du lien est lu), images, citations [1] et blocs de code ne sont pas prononcés. Une réponse très longue est coupée à la fin d'une phrase, à la limite du modèle (4 000 caractères au plus).

Configurer

1. Ajouter les modèles

Dans Paramètres → Gestion des modèles :

Usage	Type de modèle	Fournisseurs
Dictée	Parole (ASR)	OpenAI (whisper-1, gpt-4o-transcribe…), ElevenLabs (scribe_v1), tout serveur compatible OpenAI, et les autres fournisseurs ASR du catalogue
Lecture à voix haute	Synthèse vocale (TTS)	OpenAI (gpt-4o-mini-tts, tts-1, tts-1-hd), ElevenLabs (eleven_multilingual_v2, eleven_flash_v2_5, eleven_turbo_v2_5), tout serveur compatible OpenAI (/v1/audio/speech : Kokoro-FastAPI, openedai-speech, LocalAI…)

Le champ Voix par défaut d'un modèle de synthèse vocale indique la voix utilisée quand l'espace n'en choisit pas : un nom de voix OpenAI (alloy, nova, coral…), ou l'identifiant d'une voix de la bibliothèque ElevenLabs. ElevenLabs n'a pas de voix par défaut : sans identifiant, ni le test de connexion ni la lecture ne fonctionnent.

Le bouton Tester la connexion d'un modèle de synthèse vocale lit « Bonjour. » et vérifie que de l'audio revient.

2. Choisir les modèles de l'espace

Dans Paramètres → Valeurs par défaut, les lignes Modèle de reconnaissance vocale par défaut et Modèle de synthèse vocale par défaut indiquent quels modèles la voix utilise. Sans choix, la règle habituelle s'applique : le modèle par défaut du déploiement, sinon le premier modèle actif du type.

3. Activer la voix

Toujours dans Valeurs par défaut, groupe Voix dans le chat :

Réglage	Effet
Dictée	Affiche le bouton micro
Langue de la dictée	Aide la transcription (fr, en…) ; « Détection automatique » si les membres parlent plusieurs langues
Lecture à voix haute	Affiche le bouton « Lire à voix haute »
Lecture automatique	Lit chaque nouvelle réponse terminée
Voix	Remplace la voix par défaut du modèle pour tout l'espace

Un bouton reste masqué tant que sa fonction est désactivée ou qu'aucun modèle de son type n'est disponible.

Qui parle : séparation des intervenants

Avec un modèle de reconnaissance vocale ElevenLabs (scribe_v1), la transcription d'un fichier audio importé dans une base de connaissances, ou joint au chat, indique qui parle :

[00:04] Intervenant 1 : Bonjour, on fait le point sur le chantier ?
[00:09] Intervenant 2 : Oui, la livraison est prévue lundi.

Chaque ligne commence par son heure dans l'enregistrement. Les intervenants sont numérotés dans leur ordre d'apparition. Chaque ligne reste reliée à son passage dans l'enregistrement, et une longue prise de parole est coupée par tranches d'une minute. Les autres fournisseurs donnent le texte sans les noms d'intervenants. La dictée du chat n'est pas concernée.

Limites

• Enregistrement de dictée : 10 Mo au plus, soit plusieurs minutes de parole.
• Texte lu en une fois : la limite du modèle (4 096 caractères chez OpenAI, 10 000 chez ElevenLabs Multilingual v2), plafonnée à 4 000.
• La dictée et la lecture ne sont pas proposées dans les assistants intégrés à un site (embed).

API

Méthode	Chemin	Rôle
GET	/api/v1/voice/status	Ce que le chat peut proposer : dictation, read_aloud, auto_read, language, max_audio_bytes
POST	/api/v1/voice/transcriptions	Formulaire multipart, champ audio ; répond {text}
POST	/api/v1/voice/speech	{text} ; répond l'audio (audio/mpeg le plus souvent). En-tête X-Speech-Truncated: true si le texte a été coupé
POST	/api/v1/initialization/tts/check	Test de connexion d'un modèle de synthèse vocale (administrateurs)

Les réglages se lisent et s'écrivent avec les valeurs par défaut de l'espace (GET / PUT /api/v1/tenants/kv/default-settings) : tts_model_id et l'objet voice (dictation, read_aloud, auto_read, voice_name, language).