Date : 2026-10-12
Contexte : en complément de ANALYSE_FAISABILITE_CONTOURNEMENT_BLOCAGE_EDGE_TTS_20261012.md (panne edge-tts, options Piper/Google Cloud/OpenAI déjà posées), scan du marché pour toute solution TTS récente, gratuite ou très abordable, visant une qualité vocale naturelle et agréable, susceptible de remplacer fr-FR-HenriNeural de façon pérenne.
| Solution | Type | Licence/coût | Voix FR | Qualité constatée | Besoin matériel | Verdict |
|---|---|---|---|---|---|---|
| edge-tts (actuel) | Cloud gratuit non-officiel | Gratuit (mais bloqué UE depuis 11/10) | fr-FR-HenriNeural, masculine, très naturelle |
Référence actuelle | Aucun (appel réseau) | En panne, voir analyse du 12/10 |
| Piper (déjà étudié, Option B) | Local, ONNX | Gratuit, offline | 1-2 voix FR, correctes mais moins expressives | MOS non communiqué, perçu "robotique propre" | CPU seul, même Raspberry Pi | Solide mais qualité en retrait |
| Google Cloud TTS Neural2/Studio (déjà étudié, Option C) | Cloud payant | 1M car./mois gratuits puis 16 $/M car. | Plusieurs voix FR, dont masculines | Très bonne, proche Henri | Aucun (API) | Solide, coût très faible à notre volume |
| OpenAI TTS (gpt-4o-mini-tts) (déjà étudié, Option C) | Cloud payant | ~0,015 $/minute | Bonne, multilingue | Bonne | Aucun (API) | Solide, alternative à Google |
| Kokoro-82M (nouveau) | Local, open-weight (Apache 2.0) | 100% gratuit | 1 seule voix FR (ff_siwis, féminine) |
MOS 4.5 — excellent pour sa taille (82M paramètres) | CPU suffisant (~temps réel), GPU optionnel pour accélérer | Qualité très bonne mais voix féminine unique, pas de clonage |
| Chatterbox Multilingual (nouveau, Resemble AI) | Local, open-weight | Gratuit (licence à reconfirmer avant usage commercial) | Oui, parmi 23 langues, clonage de voix à partir de ~5 s d'audio | Rating 1481 Elo sur TTS Arena, battu ElevenLabs en tests à l'aveugle (version Turbo) | GPU recommandé pour fluidité (fonctionne sur CPU mais plus lent) | Le plus intéressant : peut cloner une voix masculine française proche d'Henri à partir d'anciens rapports déjà générés |
| Zonos / Zonos2 (Zyphra) (nouveau) | Local, open-weight (Apache 2.0) | Gratuit | Oui (FR natif), clonage de voix + contrôle d'émotion (8 émotions) | Présenté comme le modèle open-source le plus expressif à ce jour | GPU recommandé | Alternative sérieuse à Chatterbox, mêmes atouts (clonage + émotion) |
| Fish Audio S2 / S2 Pro (nouveau) | Cloud payant | ~0,015 $/1000 car. (facturé à l'octet UTF-8) | Oui, multilingue | 81,9% taux de victoire sur EmergentTTS-Eval, dépasse ElevenLabs/Seed-TTS/MiniMax selon le benchmark | Aucun (API) | Qualité au sommet mais coût comparable à Google/OpenAI, rien de gratuit |
| Breeze TTS 2 (nouveau) | Local, open-weight | Poids sous licence non-commerciale par défaut (contact direct requis pour usage commercial) | Non précisé spécifiquement FR | Elo 1215, bat ElevenLabs Eleven v3 sur l'arena | GPU 12-24 Go VRAM requis | Écarté : licence non-commerciale incompatible avec un usage e-commerce sans accord direct, et matériel GPU conséquent non disponible sur le VPS actuel |
| Inworld Realtime TTS-2 (nouveau) | Cloud payant | 25 $/M car. (jusqu'à 12,5 $/M en volume), variante Flash dès 7 $/M | Oui (200+ langues) | #1 arena temps réel | Aucun (API) | Écarté : plus cher que Google Cloud TTS pour un gain de qualité non démontré sur notre cas d'usage (rapports asynchrones, pas de conversation temps réel facturée à ce tarif) |
L'analyse initiale ne proposait que deux familles : Piper (gratuit mais qualité en retrait) ou cloud payant (Google/OpenAI, qualité correcte mais dépendance externe de plus). Le scan de marché fait apparaître une troisième famille, apparue courant 2025-2026, qui n'existait pas (ou pas à ce niveau de qualité) lors des choix précédents : des modèles open-weight avec clonage de voix zero-shot (Chatterbox Multilingual, Zonos/Zonos2).
Pourquoi c'est pertinent spécifiquement pour Jarvis : ces modèles peuvent cloner une voix masculine française à partir d'à peine 5 secondes d'audio de référence. Jarvis dispose déjà de dizaines d'anciens rapports générés en fr-FR-HenriNeural (avant la panne du 11/10) — un extrait de quelques secondes suffit comme échantillon de clonage. Résultat possible : une voix locale, gratuite, sans dépendance réseau, au timbre proche d'Henri (voire avec un contrôle d'émotion que Henri n'offrait pas), par opposition à Kokoro ou Piper qui imposent leur(s) voix préexistante(s) sans possibilité de clonage.
Limite à vérifier avant tout choix : qualité et vitesse de génération de Chatterbox/Zonos sur CPU (le VPS OVH actuel n'a pas de GPU dédié confirmé) — à tester concrètement avant adoption, le gain de timbre ne doit pas se payer en lenteur inacceptable pour un rapport de mission.
Aucune implémentation n'a été faite — ce document complète la liste d'options pour décision de Raphaël.
Sources consultées : BentoML, SiliconFlow, Trelis Research, Cartesia, Resemble AI (Chatterbox), Zyphra (Zonos), Fish Audio, Inworld AI, BreezeBlue (Hugging Face), Artificial Analysis Speech Arena, TTS Arena.