Généré le 14/10/2026 10:01

Analyse de marché — Nouvelles solutions TTS gratuites/abordables (haute qualité vocale) vs. options déjà étudiées

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.


Tableau comparatif

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)

Ce qui change réellement par rapport à l'analyse du 12/10 (Piper / Google / OpenAI)

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.


Recommandation

Aucune implémentation n'a été faite — ce document complète la liste d'options pour décision de Raphaël.

  1. Si l'objectif est de retrouver au plus vite une voix proche d'Henri sans rien développer de lourd → rester sur Google Cloud TTS (Option C de l'analyse du 12/10), toujours la solution la plus simple.
  2. Si l'objectif est une solution gratuite et pérenne qui garde un timbre proche d'Henri → tester Chatterbox Multilingual ou Zonos2 en clonage à partir d'un extrait audio existant d'Henri Neural — c'est la vraie nouveauté du marché depuis l'analyse initiale, à auditionner avant tout engagement.
  3. Si l'objectif est la solution la plus légère et la plus simple à héberger, voix non prioritaire → Kokoro-82M (mais voix féminine unique en français, changement de timbre notable pour Raphaël).
  4. Fish Audio S2 Pro et Inworld TTS-2 sont écartés par le rapport qualité/coût : ni plus gratuits ni clairement meilleurs que Google Cloud TTS déjà identifié. Breeze TTS 2 est écarté pour incompatibilité de licence (usage non-commercial par défaut) et exigence GPU trop élevée.

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.