Généré le 16/10/2026 22:20

🎙️ Panorama des Derniers Modèles TTS Open Source & Gratuits (2025–2026)

Date du rapport : 16 Octobre 2026 — Heure locale Guadeloupe (UTC-4)


🎯 Synthèse Exécutive

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.


📊 Tableau Comparatif des 10 Meilleurs Modèles TTS Récents

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

🔍 Analyse Détaillée par Catégorie d'Usage

1. 🏆 Les Champions du Français & du Temps Réel (Idéal pour Jarvis Live Voice)

Kyutai TTS (1.6B & Pocket TTS) — Kyutai Labs (Paris)

Kokoro v1.0 (82M) — hexgrad


2. 🎬 Les Meilleurs pour les Publicités UGC, le Doublage E-Commerce & l'Émotion

Chatterbox Multilingual V3 — Resemble AI

Zonos v0.1 — Zyphra

Qwen3-TTS (0.6B & 1.7B) — Alibaba Cloud

Fish Speech 1.5 / S2 Pro — Fish Audio


💡 Recommandations Stratégiques pour l'Écosystème Jarvis & Studio Pub

  1. Pour Jarvis en local (Secours / Alternative ultra-rapide Ă  Edge TTS) :
    * Kokoro v1.0 (82M ONNX) ou Kyutai TTS : Peuvent tourner localement sur CPU/GPU léger avec 0 coût API, 0 dépendance réseau et une latence inférieure à 200 ms.
  2. Pour le Studio Pub (studio/cli.py) — Création de voix UGC & Hooks sans consommer de crédits ElevenLabs :
    * Chatterbox Multilingual V3 (MIT) ou Zonos v0.1 (Apache 2.0) : Permettent de cloner gratuitement les meilleures voix de créateurs UGC français à partir d'un extrait de 5 secondes et de moduler l'intensité émotionnelle entre le Hook (0-3s) et le CTA final.
    * Qwen3-TTS (1.7B) : Idéal pour générer de nouveaux avatars vocaux sur-mesure par prompt textuel sans avoir besoin d'échantillon audio source.