Date : 2026-10-12
Contexte : suite au scan marché TTS (ANALYSE_NOUVELLES_SOLUTIONS_TTS_MARCHE_20261012.md) qui identifiait Chatterbox Multilingual / Zonos2 comme la piste de clonage de voix la plus prometteuse pour retrouver un timbre proche d'Henri Neural, avec une limite non vérifiée : "GPU non confirmé sur le VPS". Raphaël demande ici de trancher précisément cette limite : peut-on faire tourner ce modèle à distance sur le VPS de production pour éviter de charger le PC local, et comment cela se compare à l'installation locale.
Le seul VPS de production existant est le VPS OVH Roubaix (141.95.160.68, vps-c0377fbe.vps.ovh.net, Ubuntu 26.04), commandé le 27/09/2026 pour un usage unique et documenté : servir de sortie réseau WireGuard fixe (remplaçant ProtonVPN pour agy), puis étendu le 07/10/2026 en passerelle d'entrée (reverse-proxy Caddy pour l'accès mobile à Jarvis). Vérifié dans DOSSIER_FAISABILITE_PASSERELLE_VPS_WATCHDOG_20261007.md et DIAGNOSTIC_VPN_TAILSCALE_RECIDIVE_20260927.md : aucune trace d'un usage de calcul — c'est un VPS d'entrée de gamme OVH (gamme "VPS" classique, pas "serveur dédié" ni "cloud GPU"), dimensionné pour faire tourner WireGuard + Caddy, deux process légers, 24h/24.
Confirmation directe : toutes les offres VPS OVH standard sont 100% CPU, zéro GPU (seule la gamme séparée "Public Cloud GPU" d'OVH en propose, jamais commandée ici). Le point "GPU non confirmé" de l'analyse du 12/10 est donc tranché : il n'y a pas de GPU sur ce VPS, et il n'y en aura jamais sur cette gamme de produit.
| Besoin | Chatterbox Multilingual | Zonos2 |
|---|---|---|
| Poids du modèle | ~2-3 Go (il charge aussi un encodeur vocal) | Poids comparables, architecture similaire (transformer + vocoder) |
| RAM/VRAM pour charger | ~4-6 Go recommandés | ~4-6 Go recommandés |
| GPU | Recommandé pour la fluidité ; CPU supporté mais nettement plus lent | Recommandé ; CPU non officiellement optimisé |
| Temps de génération CPU seul | Généralement 5 à 15x plus lent que temps réel sur un CPU de bureau multi-cœurs récent ; nettement pire sur un VPS à vCPU partagés/bridés | Similaire ou pire (modèle plus récent, moins optimisé CPU) |
À titre de comparaison, le PC local de Raphaël (Intel Core i5-8500, 6 cœurs/6 threads physiques, 3 GHz, mesuré dans RAPPORT_BENCHMARK_MOTEUR_CALCUL_LOCAL.md) est une machine dédiée avec des cœurs physiques pleins. Un VPS OVH d'entrée de gamme repose sur des vCPU partagés/bridés (quelques cœurs virtuels, souvent avec des limites de "burst"), typiquement moins puissants que les 6 cœurs physiques du PC pour ce genre de charge. Déplacer Chatterbox/Zonos sur ce VPS ne rendrait donc pas la génération plus rapide — elle serait probablement plus lente qu'en local, pas plus rapide.
C'est l'argument décisif, au-delà de la seule vitesse. Ce même VPS (141.95.160.68) est, depuis le 27-29/09/2026, la cause racine documentée de plusieurs épisodes de coupures vocales et de déconnexions répétées de Jarvis (DIAGNOSTIC_DECONNEXIONS_VOCALES_REPETITIVES_20260928_21H.md, DIAGNOSTIC_TEMPETE_RECONNEXIONS_VOCALES_20260929_19H.md, DIAGNOSTIC_COMPARAISON_ETAT_ACTUEL_VS_MICROCOUPURES_20260930.md) — un tunnel WireGuard déjà identifié comme fragile sous charge. Il porte aujourd'hui tout le trafic voix et tout l'accès mobile à Jarvis.
Y ajouter une charge de calcul ML (plusieurs secondes à dizaines de secondes de CPU à 100% par génération audio) créerait une contention directe avec le tunnel WireGuard et le reverse-proxy Caddy qui tournent sur la même machine — risque concret de reproduire exactement le type d'incident déjà vécu (latence, coupures), cette fois causé par nous-mêmes plutôt que par un tiers.
| Critère | Chatterbox/Zonos sur le VPS de production | Chatterbox/Zonos en local sur le PC | Piper en local (option déjà recommandée le 12/10 soir) |
|---|---|---|---|
| GPU disponible | Non, jamais (gamme VPS OVH) | Non plus (pas de carte dédiée sur le PC HP actuel, confirmé dans ANALYSE_SOLUTIONS_VPS_HEBERGEMENT_IA_LOURDE_...20261006.md) |
Non requis — tourne bien sur CPU seul |
| Vitesse CPU | Pire (vCPU partagés, plus faibles que le PC) | Correcte mais notablement plus lente qu'edge-tts (modèle 2-3 Go, pas optimisé CPU) | Rapide, quasi temps réel même sur petit CPU |
| Risque pour l'infra existante | Élevé — partage les ressources avec le tunnel voix/mobile critique | Nul — le PC ne fait rien d'autre de critique au moment de générer un rapport | Nul |
| Complexité à déployer | Élevée (installer le modèle + un serveur d'inférence sur le VPS, ouvrir un endpoint, sécuriser l'accès) | Moyenne (install Python + poids du modèle, déjà testée faisable) | Déjà vérifiée faisable en quelques minutes (12/10 soir) |
| Coût récurrent | Potentiellement une montée en gamme du VPS (plus de vCPU/RAM) pour absorber la charge, sur une machine qui n'a pas besoin de ça pour son rôle actuel | Aucun | Aucun |
| Résout la "lourdeur locale sur le PC" | Oui en théorie (le calcul quitte le PC), mais au prix d'un résultat plus lent et d'un risque réseau — mauvais compromis | Partiellement — reste local mais la génération est asynchrone (rapports de mission, pas de contrainte temps réel) donc la lourdeur ponctuelle est tolérable | Oui — déjà la solution la plus légère |
Non, héberger Chatterbox/Zonos2 sur le VPS de production actuel n'est pas une bonne idée. Ce n'est pas un choix "cloud sans GPU mais qui marche quand même" — c'est une machine plus faible que le PC local, déjà chargée d'un rôle réseau critique et documenté comme fragile sous charge. Y ajouter de l'inférence ML ne contournerait pas la lourdeur, elle la déplacerait vers une machine moins capable tout en créant un risque réel de régression sur la voix et l'accès mobile de Jarvis.
Si Raphaël veut vraiment le clonage de voix (Chatterbox/Zonos) : le faire tourner en local sur le PC, en CPU, reste l'option la plus saine — pas de risque réseau, déploiement déjà esquissé, lourdeur limitée à une poignée de secondes/minutes par génération de rapport (usage asynchrone, pas de contrainte temps réel). Si la vitesse CPU locale déçoit à l'usage, la seule vraie alternative "GPU sans acheter de carte" est une location ponctuelle de GPU cloud dédiée (RunPod/Vast.ai, ~0,30-0,50 $/h pour une RTX 4090, déjà chiffrée dans ANALYSE_SOLUTIONS_VPS_HEBERGEMENT_IA_LOURDE_DEEPSEEK_QWEN_20261006.md pour un usage différent) — une machine distincte du VPS relais actuel, allumée seulement pendant la génération, jamais la même machine qui porte le tunnel voix.
Pour l'instant, rien ne change la recommandation déjà posée le 12/10 au soir : Piper en local reste le choix par défaut le plus simple et le plus sûr. Chatterbox/Zonos en local est une amélioration de timbre possible mais plus lourde ; sur le VPS de production, c'est à éviter.