Date de l'audit : 16 Octobre 2026 — Heure locale Guadeloupe (UTC-4)
Référence préalable : RAPPORT_MODELES_TTS_OPEN_SOURCE_2026.md
Avant d'évaluer la pertinence de chaque modèle de synthèse vocale (Text-to-Speech), l'audit a croisé les spécifications des 10 modèles open source avec l'architecture matérielle et logicielle réelle de la machine hôte (C:\ASSISTANT_IA) :
Intel(R) Core(TM) i5-8500 @ 3.00 GHz (6 cœurs physiques / 6 threads, architecture Coffee Lake x86_64, support AVX2).31,8 Go DDR4 (large marge disponible pour conserver un modèle en mémoire résidente sans swap).Intel(R) UHD Graphics 630 (GPU intégré — 0 Go de VRAM NVIDIA/CUDA dédiée).⚠️ Conséquence Architecturale Majeure :
L'absence de GPU NVIDIA dédié élimine d'office l'exécution locale temps réel de tous les modèles lourds basés sur des architectures LLM/Diffusion exigeant entre 4 Go et 8 Go de VRAM CUDA (Kyutai TTS 1.6B,Orpheus 3B,Dia 1.6B,Higgs Audio v3,Fish Speech 1.5). Sur uni5-8500sans CUDA, ces modèles afficheraient un facteur temps réel (RTF) supérieur à4.0(soit 40 secondes de calcul pour produire 10 secondes d'audio).En revanche, deux voies d'intégration sont 100 % viables et ultra-performantes dès aujourd'hui :
1. L'Inférence Locale Pure CPU (ONNX / Rust / PyTorch CPU) : Pour les modèles ultra-compacts spécifiquement conçus pour processeur (Kokoro v1.0 82M et Kyutai Pocket TTS 100M).
2. L'Inférence Cloud Serverless viafal.ai(Déjà connecté dansstudio/config.py) : Les modèles de clonage vocal et d'émotion (Chatterbox V3, Qwen3-TTS, Zonos, F5-TTS) sont hébergés directement surfal.ai(dont la cléFAL_KEYest déjà active dansPROJET_STUDIO_PUB\.env_fal), pour un coût 6 à 12 fois inférieur à ElevenLabs ($0.02 à $0.05 / 1 000 caractères).
L'écosystème repose actuellement sur trois piliers vocaux distincts présentant chacun des vulnérabilités ou des coûts identifiés dans le code :
| Canal Système | Fichier Source | Moteur Actuel | Points Faibles / Limites Constatées |
|---|---|---|---|
| 1. Jarvis Live Voice (Mode Robuste & Rapports) | JARVIS_LIVE_VOICE/server.py (tts_synthesize_mp3) |
edge-tts (fr-FR-HenriNeural +15%) |
Dépendance 100% réseau Microsoft : coupures de socket sur longs textes, latence réseau variable en Guadeloupe (250–600 ms), aucun fallback hors-ligne si l'API gratuite Edge bride les requêtes. |
| 2. Notes Vocales & Lecture PC Remoat | Remoat/src/services/voiceSynthesisService.ts |
msedge-tts ou ElevenLabs (manuel, sans fallback auto depuis le 15/10/2026) |
Découpage forcé en chunks de 500 caractères avec délai artificiel de 300 ms entre chaque bloc pour éviter le rate-limit Microsoft. ElevenLabs coupé par défaut car trop coûteux sur les réponses longues. |
| 3. Studio Pub (Voix Off UGC & Hooks) | PROJET_STUDIO_PUB/studio/providers/elevenlabs.py |
ElevenLabs (eleven_multilingual_v2, voix Jane & Mathieu) |
Coût élevé en crédits API (~$0.18 à $0.30 / 1 000 caractères), rigidité des émotions entre le Hook (0-3s) et le corps de la pub (ajustement stability: 0.38, style: 0.4 statique sur toute la piste). |
Chaque modèle du panorama a été évalué selon 5 critères stricts :
1. Compatibilité Locale (i5-8500 CPU) : Capacité à générer plus vite que le temps réel ($RTF < 1.0$, idéalement $< 0.5$) sans GPU.
2. Disponibilité Cloud fal.ai : Possibilité d'appeler le modèle en serverless GPU via l'infrastructure existante du Studio Pub.
3. Qualité & Prosodie Française (🇫🇷) : Naturel de l'accent français métropolitain, gestion des liaisons et intonations.
4. Expressivité / Clonage UGC : Capacité à cloner une voix en quelques secondes et à injecter de l'émotion publicitaire.
5. Score de Pertinence Jarvis (/100) : Verdict d'intégration immédiate.
| Modèle | Mode d'Exécution Viable | Latence 1er Audio | Vitesse (RTF sur i5-8500 / Cloud) | Qualité FR 🇫🇷 | Coût / 1k chars | Pertinence Jarvis | Rôle Cible Recommandé |
|---|---|---|---|---|---|---|---|
| 1. Kyutai Pocket TTS (100M) | Local CPU (6 threads) | ~180–220 ms | RTF ~0.25 (~4x temps réel sur CPU) | 9.6 / 10 (Natif Paris) | 0.00 € | 96 / 100 🟢 | Moteur Local Temps Réel & Fallback Souverain (server.py) |
| 2. Kokoro v1.0 (82M ONNX) | Local CPU (ONNX Runtime) | ~250–350 ms | RTF ~0.48 (~2x temps réel sur CPU) | 8.9 / 10 (ff_siwis) |
0.00 € | 93 / 100 🟢 | Synthèse Locale Rapports & Secours Zéro-Réseau (server.py & Remoat) |
| 3. Chatterbox V3 (500M) | Cloud fal.ai (chatterbox/tts) |
~600 ms (API) | RTF ~0.12 (GPU Cloud) | 9.3 / 10 (23 langues) | ~$0.025 | 95 / 100 🟢 | Moteur Principal Voix UGC & Hooks Émotionnels (studio/cli.py) |
| 4. Qwen3-TTS (0.6B / 1.7B) | Cloud fal.ai (fal-ai/qwen-3-tts) |
~500 ms (API) | RTF ~0.10 (GPU Cloud) | 9.1 / 10 | ~$0.050 | 90 / 100 🟢 | Création d'Avatars Vocaux sur Mesure par Prompt (Voice Design Studio Pub) |
| 5. Zonos v0.1 (400M) | Cloud fal.ai (fal-ai/zonos) |
~700 ms (API) | RTF ~0.15 (GPU Cloud) | 9.0 / 10 (44 kHz) | ~$0.035 | 84 / 100 🟢 | Doublage Publicitaire Haute Fidélité 44 kHz & Vecteur 8D |
| 6. Kyutai TTS 1.6B | Cloud GPU requis (Trop lourd CPU) | > 2 500 ms sur CPU | RTF ~3.2 sur CPU (Trop lent) | 9.8 / 10 | Auto-hébergé GPU | 55 / 100 🟠 | Surdimensionné sans GPU local ; lui préférer Kyutai Pocket TTS 100M |
| 7. F5-TTS (335M) | Cloud fal.ai (fal-ai/f5-tts) |
~800 ms (API) | RTF ~0.18 (GPU Cloud) | 8.2 / 10 | ~$0.050 | 68 / 100 🟠 | Surclassé en français et en émotion par Chatterbox V3 et Zonos |
| 8. Fish Speech 1.5 | Cloud / Local GPU | N/A | RTF ~2.8 sur CPU | 9.2 / 10 | Licence NC | 40 / 100 🔴 | Disqualifié pour Studio Pub : Licence non-commerciale (CC-BY-NC) |
| 9. Orpheus 3B | GPU 8 Go requis | N/A | RTF > 5.0 sur CPU | 7.5 / 10 (EN prio) | N/A | 25 / 100 🔴 | Inadapté : Architecture Llama 3B impraticable sur CPU i5-8500 |
| 10. Dia 1.6B | GPU 6 Go requis | N/A | RTF > 4.0 sur CPU | 7.0 / 10 (EN prio) | N/A | 20 / 100 🔴 | Inadapté : Trop lourd et orienté dialogues anglais |
JARVIS_LIVE_VOICE/server.py & Remoat (Voix Système & Rapports)Candidats retenus : Kyutai Pocket TTS (100M) et Kokoro v1.0 (82M ONNX)
tts_synthesize_mp3() dans server.py (ligne 291) appelle exclusivement edge_tts.Communicate(text, "fr-FR-HenriNeural", rate="+15%"). En cas de micro-coupure internet en Guadeloupe ou de throttling Microsoft (erreur 403/WebSocket timeout déjà observée dans Remoat qui a nécessité le découpage en chunks de 500 caractères), Jarvis perd la parole.Kokoro-82M-ONNX (environ 160 Mo en RAM en int8/fp16) ou Kyutai Pocket TTS (~250 Mo en RAM) au démarrage de server.py ne consomme même pas 1 % de la mémoire système.kokoro-onnx : S'exécute via onnxruntime (déjà standard sous Windows Python) sans aucune dépendance PyTorch lourde. Il permet de mixer les vecteurs de voix (ff_siwis + voix masculine) pour créer un timbre posé proche d'Auguste/Henri, sans aucune limite de longueur de texte ni délai de 300 ms entre les phrases.server.py :edge-tts ou basculer sur Kyutai Pocket TTS / Kokoro ONNX en moteur local instantané, avec bascule automatique (failover < 100 ms) : si edge-tts met plus de 1,5 seconde à répondre ou échoue, tts_synthesize_mp3() génère l'audio localement sur le CPU sans aucune interruption perceptible pour Raphaël.PROJET_STUDIO_PUB (studio/cli.py — Voix Off UGC, Hooks & Recyclage)Candidats retenus : Chatterbox Multilingual V3 et Qwen3-TTS (via fal.ai)
studio/config.py ligne 114) :stability à 0.38 et monter style à 0.40. Or, sur ElevenLabs, ce réglage reste figé sur toute la durée de la vidéo, alors qu'une publicité UGC performante exige :exaggeration = 0.80).exaggeration = 0.45).exaggeration = 0.60).exaggeration (curseur d'intensité émotionnelle de 0.0 à 1.0) et supporte les marqueurs paralinguistiques naturels. En découpant la génération voix du Studio Pub en 2 ou 3 segments (Hook / Body / CTA) avec des niveaux d'expressivité distincts sur la même voix clonée, le taux de rétention des 3 premières secondes (Thumbstop Ratio) est directement optimisé.Qwen3-TTS (Voice Design) :studio/config.py ne dispose que de 2 voix (jane pour les femmes, mathieu pour les hommes). Si l'on génère 5 publicités différentes pour plusieurs produits, toutes les boutiques utilisent les deux mêmes voix.FAL_KEY déjà présente) :FAL_KEY pour seedance-mini et kling3-std (studio/config.py ligne 37), ainsi que scribe_v2 pour les sous-titres.chatterbox/text-to-speech ou fal-ai/qwen-3-tts via le même client fal.ai évite d'installer des modèles lourds sur le CPU i5-8500, tout en divisant le coût de synthèse vocale par 8 à 10 (~$0.025 / 1k caractères contre ~$0.20+ sur ElevenLabs) et en préservant le quota ElevenLabs uniquement pour le doublage vidéo complexe (dub_video P6).Pour intégrer ces modèles proprement sans perturber la production actuelle, voici l'architecture d'implémentation recommandée :
flowchart TD
subgraph "CANAL 1 : JARVIS LIVE VOICE & REMOAT (100% Local CPU - 0€)"
A["Requête TTS (server.py / Remoat)"] --> B{"Mode Choisi / Réseau"}
B -- "Nominal Ultra-Rapide" --> C["Kyutai Pocket TTS 100M / Kokoro 82M ONNX<br/>(Résident RAM ~200 Mo, CPU i5-8500, Latence ~200ms)"]
B -- "Mode Henri Classique" --> D["Edge TTS (fr-FR-HenriNeural)"]
D -- "Échec / Timeout > 1.5s" --> C
end
subgraph "CANAL 2 : STUDIO PUB UGC (Cloud Serverless fal.ai - Coût divisé par 8)"
E["studio/cli.py (Porte A & Porte B)"] --> F{"Type de Voix Demandé"}
F -- "--voix chatterbox / clone" --> G["Chatterbox V3 (fal.ai)<br/>Clonage 5s + Curseur Émotion Hook (0.8) vs Body (0.45)"]
F -- "--voix design 'prompt avatar'" --> H["Qwen3-TTS Voice Design (fal.ai)<br/>Création de voix sur-mesure par Avatar Produit"]
F -- "--voix dub (Vidéo complète)" --> I["ElevenLabs Dubbing API (Conservé pour P6)"]
end
fal_tts.py dans PROJET_STUDIO_PUB (Priorité Haute — Gain Immédiat)C:\ASSISTANT_IA\PROJET_STUDIO_PUB\studio\providers\fal_tts.pytts_chatterbox(text, ref_audio_url, exaggeration=0.5) : Synthèse avec clonage vocal 5s et modulation dynamique de l'émotion (exagération 0.75 automatique sur la première phrase de Hook, 0.40 sur la suite).tts_qwen_design(text, voice_prompt) : Génération d'une voix inédite alignée sur la fiche Avatar du produit.FAL_KEY existante, élimine l'épuisement des crédits ElevenLabs sur les tests de scripts UGC.Kokoro-82M-ONNX / Kyutai Pocket TTS dans JARVIS_LIVE_VOICE/server.py (Priorité Moyenne — Résilience 24/7)JARVIS_LIVE_VOICE/server.py autour de tts_synthesize_mp3(text: str).~180 Mo sur les 31,8 Go de RAM disponibles) pour éviter tout temps de chargement à froid (cold start).JARVIS_VOICE_CONFIG.json (local_tts: kokoro_onnx / kyutai_pocket) permettant à Jarvis de continuer à parler instantanément même en cas de panne totale d'Edge TTS ou de coupure réseau externe.C:\ASSISTANT_IA\PROJET_STUDIO_PUB\studio\voices_ref\extract_ads_library.py, afin de disposer d'un catalogue permanent de voix clonables gratuitement via Chatterbox V3 et Zonos.i5-8500) : Kyutai Pocket TTS (100M) et Kokoro v1.0 (82M ONNX) sont les deux seuls modèles capables de tourner en temps réel fluide ($RTF < 0.5$, latence $\approx 200\text{ ms}$) sur la machine actuelle sans carte graphique NVIDIA. Ils constituent le bouclier idéal contre les coupures d'Edge TTS dans server.py et Remoat.fal.ai) pour le Studio Pub : Chatterbox Multilingual V3 (pour le clonage 5s et le contrôle d'exagération émotionnelle sur les Hooks) et Qwen3-TTS (pour créer une voix sur-mesure par Avatar produit) surpassent l'usage actuel d'ElevenLabs en flexibilité créative tout en réduisant les coûts API de plus de 85 %.Orpheus 3B, Dia 1.6B, Kyutai 1.6B complet) faute de GPU CUDA local, ainsi que Fish Speech 1.5 pour le Studio Pub en raison de sa licence non-commerciale (CC-BY-NC).