Généré le 14/10/2026 10:01

Analyse de faisabilité — Contournement du blocage edge-tts (403) pour la synthèse vocale des rapports

Date : 2026-10-12
Contexte : depuis le 11/10/2026 23h01, 100% des générations audio de rapport de mission échouent (WSServerHandshakeError: 403 sur wss://speech.platform.bing.com/.../v1). Cause confirmée externe (voir mémoire project_jarvis_audio_rapports_panne_edge_tts_403_12102026) : Microsoft migre le backend Edge Read Aloud de v1 vers v2, déploiement région par région, bloquant les IP sortantes situées en zone UE (dont la Martinique, territoire ultrapériphérique UE). Issue GitHub rany2/edge-tts#490 ouverte le 10/10/2026, toujours sans patch à ce jour.

Portée technique du problème : 4 points d'appel dans JARVIS_LIVE_VOICE/server.py utilisent tous edge_tts.Communicate(...) avec la voix fr-FR-HenriNeural :
- synthesize_speech_mp3() (ligne 3342) — réponses courtes
- synthesize_full_report_mp3() (lignes 3421 et 3453) — rapport de mission complet, découpé en tranches
- stream_synthesize_speech_to_websocket() (ligne 3523) — streaming phrase par phrase en appel live

Précision importante : la voix de l'appel live (Gemini Live natif) n'est PAS affectée par cette panne — seule la voix edge_tts utilisée pour les rapports/réponses texte-vers-audio l'est. La fonction stream_synthesize_speech_to_websocket est donc potentiellement aussi touchée si elle est utilisée hors du flux Gemini Live natif (à vérifier selon le point d'appel réel).


Option A — Proxy/VPN hors zone UE (patch rapide, réversible)

Principe : edge_tts.Communicate() accepte nativement un paramètre proxy: Optional[str] (vérifié sur la version installée, 7.2.8). Il suffit de router les 4 appels via un proxy SOCKS5/HTTP dont la sortie se situe hors de la zone géo-bloquée (hors UE) pour contourner le blocage régional.

Contrainte découverte : le VPS OVH dédié déjà utilisé par Jarvis (141.95.160.68, Roubaix, France) est lui-même en zone UE — il ne peut donc PAS servir de sortie de contournement tel quel. Il faudrait soit :
- louer un second petit VPS hors UE (ex. Vultr/DigitalOcean région US-East, ~5-6 $/mois) et y monter un proxy SOCKS5 (ex. microsocks, dante), puis passer son URL dans les 4 appels edge_tts.Communicate(..., proxy="socks5://...") + une variable d'environnement centralisée pour l'activer/désactiver facilement ;
- ou un service de proxy résidentiel à la demande (ex. Proxy302, facturé à la bande passante, ~1,5 $/Go) — pas d'infra à maintenir mais coût variable et dépendance à un tiers de plus.

Avantages : correctif quasi immédiat (quelques lignes de code), conserve la voix déjà choisie et validée par Raphaël (fr-FR-HenriNeural), aucune refonte du pipeline texte→audio.

Inconvénients : rustine sur un service dont Microsoft migre progressivement et totalement le backend (v1→v2) — rien ne garantit que le blocage ne s'étende pas aux IP datacenter hors UE dans un second temps (déjà observé par d'autres utilisateurs du même outil : Microsoft durcit aussi le filtrage sur les IP de datacenter en général, pas seulement par région). Coût récurrent faible mais non nul, et un point de panne réseau supplémentaire à superviser.


Option B — Migration vers un moteur TTS 100% local (Piper), solution pérenne

Principe : remplacer edge_tts par Piper TTS (modèle ONNX, ~15-60 Mo selon la voix, CPU uniquement, aucune connexion réseau requise). Piper propose des voix françaises (fr_FR), fonctionne offline en temps réel même sur un Raspberry Pi 4.

Avantages : supprime complètement ce point de panne externe — plus aucune dépendance à Microsoft ni à un quelconque fournisseur cloud pour ce besoin, zéro coût récurrent, zéro latence réseau. Cohérent avec la philosophie déjà en place dans l'écosystème Jarvis (transcription locale via Whisper, etc. — voir ANALYSE_FAISABILITE_IA_LOCALE_REMPLACEMENT_CERVEAU_ECOSYSTEME_20261005.md).

Inconvénients : migration de code non triviale (remplacer les 4 appels edge_tts.Communicate + adapter la logique de streaming par phrase qui dépend du format de flux d'edge-tts). Qualité de la voix française masculine disponible à auditionner avant adoption — a priori moins expressive qu'Henri Neural (voix neuronale propriétaire Microsoft), à valider à l'oreille par Raphaël avant tout remplacement définitif.

Vérification concrète effectuée le 12/10/2026 (ce qui existe réellement sur cette machine)

Piper n'est pas installé actuellement, mais rien ne s'y oppose — vérifié en direct sur ce PC :
- pip install piper-tts : wheel précompilé Windows disponible (piper_tts-1.8.0-cp39-abi3-win_amd64.whl), aucune compilation requise, dépendances légères (onnxruntime, pathvalidate, numpy/protobuf déjà présents).
- Les modèles vocaux français sont hébergés sur HuggingFace (rhasspy/piper-voices), hôte différent du endpoint Bing bloqué — testé en direct, téléchargement accessible (redirection CDN HTTP 302 reçue, pas de blocage géographique constaté).
- Voix masculines françaises candidates disponibles au téléchargement : fr_FR-tom-medium, fr_FR-gilles-low, fr_FR-upmc-medium (duo Pierre/Jessica). Tailles ~20-75 Mo selon la qualité (low/medium), 100% CPU, zéro connexion réseau après téléchargement initial.
- Donc faisable dès maintenant en quelques minutes (installation + téléchargement d'une voix), mais reste un nouveau composant à intégrer (pas déjà en place), avec la même migration de code que décrite ci-dessus.

Windows a DÉJÀ une voix française SAPI5 installée et fonctionnelle, testée en direct avec succès : Microsoft Hortense Desktop (fr-FR, legacy ~2006, voix synthétique classique — pas neuronale). Test réel effectué : synthèse d'une phrase vers fichier .wav via System.Speech.Synthesis en PowerShell, réussi instantanément, zéro installation, zéro réseau. C'est un filet de secours immédiat (qualité nettement inférieure à Henri Neural, voix féminine, débit robotique) mais disponible littéralement tout de suite sans aucune action.

Correction d'une piste initialement prometteuse — à écarter : le registre Windows liste bien 3 voix "OneCore" (les voix neuronales modernes utilisées par le Narrateur) : Hortense, Julie, et surtout Paul (voix masculine, plus proche d'Henri Neural en registre). Mais vérification des fichiers sur disque (C:\Windows\System32\Speech_OneCore\common\fr-FR\) montre que seules les données Hortense sont réellement installées — Julie et Paul ne sont que des entrées catalogue enregistrées par l'OS, sans le paquet de données vocales téléchargé. Confirmé aussi par l'API Windows.Media.SpeechSynthesis (WinRT) qui retourne 0 voix disponible dans ce contexte. Activer Paul nécessiterait de passer par Paramètres > Heure et langue > Voix (téléchargement via Windows Update, session interactive requise) — pas un gain "déjà en place", et chemin réseau non vérifié (pourrait dépendre d'une infra Microsoft différente, à tester séparément si cette piste est retenue). Donc pas une option prioritaire malgré l'apparence initiale.

Conclusion de la vérification : la vraie option "déjà là, gratuite, locale" immédiatement exploitable est soit (a) Hortense Desktop en secours d'urgence sans rien installer (qualité datée), soit (b) Piper à installer en quelques minutes pour une qualité nettement meilleure et une voix masculine plus proche d'Henri Neural — aucune des deux ne nécessite de compte, de VPS ou de paiement.


Option C — Fournisseur cloud payant alternatif (Google Cloud TTS ou OpenAI TTS)

Google Cloud Text-to-Speech : voix françaises Neural2/Studio de bonne qualité. Volume gratuit mensuel (jusqu'à 1M caractères/mois pour les voix Neural2) largement suffisant pour le volume de rapports de mission actuel ; au-delà, 16 $/1M caractères. Nécessite un compte GCP + clé de service (aucune clé existante trouvée dans .env).

OpenAI TTS (gpt-4o-mini-tts) : ~0,015 $/minute générée, 50+ langues, bonne qualité. Nécessite un compte/clé OpenAI séparée (Raphaël n'en a pas actuellement d'après .env — seule une clé Anthropic y figure).

Avantages : qualité proche d'Henri Neural, intégration API REST simple et rapide, aucun serveur à maintenir.

Inconvénients : remplace une dépendance cloud externe (Microsoft, gratuite mais fragile) par une autre (payante, mais pas géo-bloquée en UE puisqu'il s'agit d'API officielles facturées et non d'un endpoint public non documenté comme celui d'Edge Read Aloud). Ajoute un compte/une clé/une facturation à gérer.


Option D — Attendre un correctif de la librairie (edge-tts)

Déjà en version la plus récente (7.2.8, dernière publiée sur PyPI). Précédent encourageant : l'issue similaire #401 avait été résolue par une simple mise à jour (passage en 7.2.0) quand le mainteneur a rattrapé un changement de token anti-abus côté Microsoft. Mais l'issue actuelle #490 (migration de backend v1→v2, pas un simple changement de token) est ouverte depuis seulement 2 jours et aucun patch n'est encore publié — rien ne garantit qu'un simple correctif logiciel suffira cette fois si le blocage est réellement géographique/structurel côté Microsoft.

Action de veille sans développement : vérifier périodiquement pip index versions edge-tts et l'état de l'issue #490 avant de ré-auditer le code (déjà consigné dans la mémoire du 12/10).


Recommandation

Aucune option n'a été implémentée — ce document liste les options pour décision de Raphaël, conformément à la mission.

Mise à jour du 12/10/2026 (demande explicite de Raphaël : prioriser le gratuit/local) : vérification concrète faite sur cette machine (voir section détaillée sous l'Option B) — Piper est installable immédiatement (wheel Windows précompilé, voix françaises téléchargeables, zéro coût récurrent, zéro cloud), et Windows dispose déjà d'une voix française Hortense Desktop fonctionnelle à l'instant comme filet de secours sans aucune installation (qualité datée). La piste des voix neuronales "OneCore" (Paul, masculine) enregistrées dans le registre s'est révélée être un faux espoir : le paquet de données n'est pas réellement installé.

Proposition de raisonnement pour trancher, gratuit/local d'abord :
1. Secours immédiat sans rien installer → basculer temporairement sur Microsoft Hortense Desktop (SAPI5, déjà sur la machine, testé fonctionnel) en attendant une décision — qualité nettement inférieure à Henri Neural mais le son revient tout de suite, à coût nul.
2. Solution pérenne recommandée → Option B (Piper local) : à installer en quelques minutes, voix masculine fr_FR-tom-medium ou fr_FR-upmc-medium (Pierre) à auditionner, migration de code des 4 points d'appel edge_tts, zéro dépendance externe ensuite, zéro coût récurrent.
3. Si rétablissement urgent ET qualité Henri Neural non négociable en attendant Piper → Option A (proxy hors UE), rustine payante et fragile (dépend d'un VPS/proxy tiers, pourrait recasser si Microsoft étend le blocage).
4. Si préférence pour garder une qualité proche d'Henri Neural sans gérer d'infra, coût accepté → Option C (Google Cloud TTS, le moins coûteux des deux à volume de rapports actuel).

Ces trois options ne sont pas mutuellement exclusives : un fallback automatique en cascade (edge_tts → proxy si 403 → Piper local si proxy aussi indisponible) est techniquement possible mais ajoute de la complexité — à envisager seulement si Raphaël juge la fiabilité de ce canal audio critique au point de justifier un double filet.


Addendum du 12/10/2026 (soir) — Vérification concrète de l'Option C "Google TTS" (config passée + tests en direct)

Mission dédiée : vérifier si une config Google TTS existe déjà (passée) ou est réactivable immédiatement, en alternative à Piper. Trois pistes Google distinctes testées en direct sur cette machine, résultats factuels :

C.1 — Google Cloud Text-to-Speech (l'API officielle citée dans l'Option C) : jamais configurée, pas réactivable sans action console de Raphaël

Il existe bien un compte de service Google existant (google_credentials.json, compte antigravity-sheets-mcp@named-sequencer-204400.iam.gserviceaccount.com, projet GCP named-sequencer-204400 / n°660169320386) déjà utilisé pour Sheets/GA4. Appel direct testé contre texttospeech.googleapis.com avec ce compte :
- Résultat : HTTP 403 — "Cloud Text-to-Speech API has not been used in project 660169320386 before or it is disabled." → confirmé, cette API n'a jamais été activée sur ce projet, contrairement à ce que laissait supposer une éventuelle config passée.
- Tentative d'auto-activation via serviceusage.googleapis.com:enable avec ce même compte : HTTP 403 également (Service Usage API elle-même désactivée sur le projet, et rien n'indique que ce compte de service, scopé Sheets, ait le rôle IAM nécessaire pour s'auto-accorder l'accès).
- Conclusion : cette piste N'EST PAS réactivable de façon autonome/headless. Il faudrait que Raphaël se connecte lui-même à la Google Cloud Console (projet named-sequencer-204400), active manuellement l'API Text-to-Speech, vérifie qu'un compte de facturation est bien lié au projet (requis par Google même pour rester dans le quota gratuit mensuel), puis éventuellement élargisse les droits du compte de service. Pas un correctif de quelques minutes sans lui.

C.2 — TTS natif Gemini (gemini-2.5-flash-preview-tts / -pro-preview-tts), via le pool de clés déjà utilisé pour la voix de l'appel live : piste prometteuse mais test non concluant depuis cette machine

Les clés GEMINI_KEY_* du .env (pool AI Studio, déjà utilisées en production par JARVIS_LIVE_VOICE/server.py pour la voix de l'appel live via LiveConnectConfig/speech_config) donnent aussi accès, en théorie, à un modèle Gemini dédié à la génération de voix hors streaming (response_modalities=["AUDIO"]). Testé en direct avec 3 clés différentes :
- Résultat : HTTP 400 FAILED_PRECONDITION — "User location is not supported for the API use." — et ce même pour un simple appel texte basique (gemini-2.5-flash), pas seulement pour le TTS. Donc ce n'est pas un blocage spécifique au TTS, mais un blocage géographique de l'API Gemini standard (generateContent) depuis l'IP sortante de cette machine précise sur laquelle le test a été exécuté.
- Point important à ne pas sur-interpréter : ce test n'a PAS été exécuté depuis le VPS OVH de production (Martinique) où la voix Gemini Live fonctionne déjà sans problème confirmé (voir mémoire du 29/09). Le blocage constaté ici reflète donc la géolocalisation de cette machine de test, pas nécessairement celle du serveur Jarvis réel. Ce test doit être refait directement depuis le VPS de production avant de trancher — si le Live fonctionne depuis le VPS, il est plausible (mais non garanti, les quotas/régions pouvant différer entre l'API Live et l'API generateContent standard) que ce TTS natif fonctionne aussi depuis là-bas.

C.3 — gTTS (bibliothèque Python non-officielle, endpoint public translate.google.com, zéro clé/compte) : fonctionne immédiatement depuis cette machine, nouvelle option gratuite non documentée jusqu'ici

Installée (pip install gtts) et testée en direct : génération réussie d'un fichier MP3 de 45 Ko à partir d'une phrase de test en français, sans aucune clé API, sans compte Google, sans configuration. C'est une option supplémentaire à celles déjà listées (A-D), à coût et complexité nuls.
- Limites à connaître avant adoption : c'est un usage non officiel du moteur de synthèse de Google Traduction (pas de SLA, peut être bridé/bloqué sans préavis comme edge-tts l'a été), qualité de voix inférieure à Henri Neural (plus proche de Hortense Desktop que d'une voix neuronale), et non testé depuis le VPS de production — rien ne garantit qu'il échappe au même type de blocage géographique régional que edge_tts, puisque c'est aussi un endpoint Google grand public consommé hors API officielle.

Conclusion de l'addendum

Aucune des 3 pistes Google n'est une solution "déjà configurée et prête" contrairement à l'hypothèse de départ : C.1 (API officielle) n'a jamais été activée et nécessite une action manuelle de Raphaël en console ; C.2 (Gemini natif) est bloquée depuis cette machine de test pour une raison géographique à ré-vérifier depuis le VPS ; C.3 (gTTS) fonctionne tout de suite ici mais n'a pas été éprouvée depuis le VPS ni en usage soutenu. Aucune de ces 3 pistes ne surpasse clairement Piper (Option B) en "disponible immédiatement, gratuit, et déjà vérifié comme non géo-bloqué depuis un hébergeur différent de Bing" — Piper reste la recommandation la plus solide pour une solution pérenne, gTTS pouvant servir de secours d'appoint à tester en 2 minutes directement depuis le VPS si Raphaël veut une voix Google plutôt que Hortense en attendant.