Date du rapport : 16 Octobre 2026 — Heure locale Guadeloupe (UTC-4)
L'écosystème de la synthèse vocale (Text-to-Speech) open source et à poids ouverts (open-weights) a franchi un cap décisif en 2025-2026, rivalisant désormais directement avec les API propriétaires payantes comme ElevenLabs ou Hume Octave. Quatre grandes architectures dominent désormais le marché :
1. Les modèles ultra-légers pour CPU/Edge (Kokoro v1.0 82M, Kyutai Pocket TTS) qui offrent une qualité proche du studio sans nécessiter de carte graphique lourde.
2. Les modèles natifs Streaming & Temps Réel (Kyutai TTS 1.6B / Moshi, Qwen3-TTS) capables de générer le premier paquet audio dès le premier mot généré par un LLM.
3. Les modèles expressifs et émotionnels avec clonage zéro-shot (Chatterbox Multilingual V3, Zonos v0.1, Fish Speech 1.5 / S2 Pro, F5-TTS) permettant de cloner une voix en 3 à 5 secondes d'audio avec contrôle fin des émotions, des rires et des respirations.
4. Les modèles orientés "Voice Design" par prompt (Qwen3-TTS, Higgs Audio v2/v3, Spark-TTS) permettant de sculpter une voix sur mesure par simple description textuelle.
| Modèle | Éditeur / Labo | Taille (Params) | Licence | Support Français 🇫🇷 | Clonage Zero-Shot | Points Forts Majeurs | VRAM / Matériel Requis |
|---|---|---|---|---|---|---|---|
| Kokoro v1.0 | hexgrad | 82M | Apache 2.0 | ✅ Oui (FR-FR / FR-CA) | ❌ Non (Voix pré-entraînées + mixage) | Ultra-léger, tourne sur CPU ou WebGPU, rapport qualité/taille n°1 sur HF TTS Arena | CPU ou ~1.5 Go VRAM |
| Kyutai TTS 1.6B & Pocket TTS | Kyutai (Paris 🇫🇷) | 1.6B / Compact | CC-BY 4.0 / Open | ✅ Natif SOTA (Labo français) | ✅ Oui | Streaming temps réel synchronisé avec LLM, prosodie française exceptionnelle, faible WER | 4 à 6 Go VRAM (Pocket sur CPU/Edge) |
| Chatterbox Multilingual V3 | Resemble AI | ~500M | MIT | ✅ Oui (23+ langues) | ✅ Oui (~5s réf.) | Marqueurs paralinguistiques (rires, soupirs), contrôle d'exagération émotionnelle, licence MIT | ~2 à 4 Go VRAM |
| Qwen3-TTS | Alibaba Qwen | 0.6B / 1.7B | Apache 2.0 | ✅ Oui (10 langues) | ✅ Oui (~3s réf.) | Voice Design par prompt naturel, streaming bidirectionnel (1er caractère), codec 12Hz | 3 à 6 Go VRAM |
| Zonos v0.1 | Zyphra | ~400M (Transformer / Mamba) | Apache 2.0 | ✅ Oui (Natif) | ✅ Oui (2–30s réf.) | Qualité studio 44 kHz, vecteur d'émotion 8D (joie, colère, peur, vitesse, pitch) | ~3 à 4 Go VRAM |
| Fish Speech 1.5 / S2 Pro | Fish Audio | ~500M - 1B+ (Dual-AR) | Recherche / CC-BY-NC | ✅ Oui (Très naturel) | ✅ Oui (Cross-lingue) | Architecture Dual-AR + RVQ, +80 langues, idéal pour doublage UGC et livres audio | 4 à 8 Go VRAM |
| Orpheus 3B | Canopy Labs | 3B (Base Llama) | Apache 2.0 | ⚠️ Anglais prio / Multilingue comm. | ✅ Oui | Pauses dramatiques naturelles, inflexions conversationnelles humaines très réalistes | 6 à 8 Go VRAM (quantifié possible) |
| Higgs Audio v2 / v3 | Boson AI | LLM + Dual-FFN | Open Weights | ✅ Oui (100+ langues) | ✅ Oui | Balises d'émotion et d'effets sonores directement dans le flux texte, basse latence | 6 à 8 Go VRAM |
| Dia 1.6B | Nari Labs | 1.6B | Apache 2.0 | ⚠️ Anglais prio | ✅ Oui | Multi-locuteurs natif (dialogues à 2 voix), rires, hésitations, toux, soupirs intégrés | ~6 Go VRAM |
| F5-TTS / IndexTTS-2 | SWivid / IndexTeam | 335M (DiT Flow) | Code MIT / Poids NC | ✅ Oui (via fine-tune / multi) | ✅ Oui (Ultra-rapide) | Flow-matching non-autorégressif, alignement sans phonèmes, grande stabilité de clonage | ~2.5 à 4 Go VRAM |
ff_siwis, etc.) et permet de fusionner plusieurs empreintes vocales (pondération de vecteurs de style) pour créer des voix uniques.studio/cli.py) — Création de voix UGC & Hooks sans consommer de crédits ElevenLabs :