Texte AI au discours

Kokoro est un modèle text-to-speech de 82 millions de paramètres qui frappe bien au-dessus de sa classe de poids. Malgré sa petite taille, il produit un langage remarquablement naturel et expressif. Kokoro prend en charge plusieurs langues dont l'anglais, le japonais, le chinois et le coréen avec une variété de voix expressives.

Piper est un moteur text-to-speech léger développé par Rhasspy qui utilise les architectures VITS et larynx. Il fonctionne entièrement sur CPU, ce qui le rend idéal pour les périphériques de bord, la domotique et les applications nécessitant TTS hors ligne. Avec plus de 100 voix dans plus de 30 langues, Piper offre un langage sonore naturel à des vitesses en temps réel même sur un Raspberry Pi 4.

VITS (Variational Inférence with adversarial learning for de bout en bout Text-to-Speech) est une méthode TTS parallèle de bout en bout qui génère plus de sonorisation naturelle que les modèles en deux étapes actuels. Il adopte l'inférence variationnelle augmentée avec des flux de normalisation et un processus de formation contradictoire, permettant une amélioration significative de la naturalité.

MeloTTS by MyShell.ai est une bibliothèque multilingue TTS qui soutient l'anglais (américain, britannique, indien, australien), l'espagnol, le français, le chinois, le japonais et le coréen. Il est extrêmement rapide, le traitement du texte à une vitesse presque en temps réel sur CPU seul. MeloTTS est conçu pour l'utilisation de la production et supporte à la fois l'inférence CPU et GPU.

Bark by Suno est un modèle text-to-audio basé sur un transformateur qui peut générer une parole très réaliste, multilingue ainsi que d'autres audio comme la musique, le bruit de fond et les effets sonores. Il peut produire des communications non verbales comme rire, soupirer et pleurer. Bark supporte plus de 100 presets de haut-parleurs et 13+ langues.

Bark Small est une version distillée du modèle Bark qui échange une certaine qualité audio pour des vitesses d'inférence considérablement plus rapides et des exigences de mémoire plus faibles. Il conserve la capacité de Bark à générer la parole avec des émotions, des rires et plusieurs langues.

CosyVoice 2 du Tongyi Lab d'Alibaba atteint une qualité de parole comparable à l'homme avec une latence extrêmement faible, ce qui le rend idéal pour les applications en temps réel. Il utilise une approche de quantification scalaire finie pour la synthèse en streaming et prend en charge le clonage vocal zéro-shot, la synthèse cross-lingual et le contrôle des émotions à grain fin.

Dia by Nari Labs est un modèle text-to-speech de 1.6B conçu spécifiquement pour générer le dialogue multi-parleurs. Il peut produire des conversations sonores naturelles entre deux haut-parleurs avec des prises de vues appropriées, la prosodie, et l'expression émotionnelle. Dia est parfait pour créer des contenus de style podcast, des dialogues audiobooks, et l'IA conversationnelle interactive.

Parler TTS est un modèle texte-à-discours qui utilise des descriptions vocales en langage naturel pour contrôler la parole générée. Au lieu de sélectionner à partir de voix prédéfinies, vous décrivez la voix que vous voulez (par exemple, «une voix féminine chaude avec un léger accent britannique, parlant lentement et clairement») et Parler génère une correspondance vocale avec cette description.

GLM-TTS de Zhipu AI est un système texte-à-discours construit sur l'architecture Llama avec un écoulement correspondant. Il atteint le taux d'erreur de caractères le plus bas parmi les modèles TTS open-source, ce qui signifie qu'il produit la prononciation la plus précise. GLM-TTS prend en charge l'anglais et le chinois avec le clonage vocal de 3-10 échantillons audio secondes.

IndexTTS-2 est un système texto-speech avancé qui excelle à la synthèse vocale zéro-shot avec un contrôle de l'émotion fine-grain. Il peut générer la parole avec des tons émotionnels spécifiques comme heureux, triste, en colère, ou craintif sans exiger des données d'entraînement spécifiques à l'émotion. Le modèle utilise des vecteurs d'émotion pour contrôler précisément l'expression émotionnelle de la parole générée.

Spark TTS de SparkAudio est un modèle text-to-speech qui combine le clonage de la voix avec une émotion contrôlable et un style de parole. En utilisant seulement 5 secondes d'audio de référence, il peut cloner une voix puis générer une parole avec des émotions, des vitesses et des styles différents tout en conservant l'identité vocale clonée.

GPT-SoVITS combine la modélisation de langage de style GPT avec SoVITS (Sing Voice Inference via Translation and Synthesis) pour le clonage de voix puissant à faible résolution. Avec aussi peu que 5 secondes d'audio de référence, il peut cloner avec précision une voix et générer de nouveaux discours tout en préservant les caractéristiques uniques de l'orateur. Il excelle à la fois à parler et à chanter la synthèse vocale.

Orphée est un modèle à grande échelle texte-à-discours qui atteint l'expression émotionnelle au niveau humain. Formé sur plus de 100 000 heures de diverses données de la parole, il excelle dans la génération de la parole avec des émotions naturelles, l'accent, et les styles de parole. Orphée peut produire une parole qui est pratiquement indistinguable des enregistrements humains.

Chatterbox by Resemble AI est un modèle de clonage vocal à capture nulle de pointe. Il peut reproduire n'importe quelle voix à partir d'un seul échantillon audio avec une précision remarquable, captant non seulement le timbre, mais aussi le style de parole et les nuances émotionnelles. Chatterbox dispose également d'un contrôle de l'émotion à grain fin, vous permettant d'ajuster le ton émotionnel du discours généré indépendamment de l'identité vocale.

Tortoise TTS est un système autorégressif de texte à parole multivoix qui priorise la qualité audio sur la vitesse. Il utilise l'architecture inspirée de DALL-E pour générer une parole très naturelle avec une excellente prosody et une similarité de haut-parleur. Bien que plus lent que de nombreuses alternatives, Tortoise produit une partie de la parole synthétique la plus réaliste disponible dans l'écosystème open-source.

StyleTTS 2 réalise une synthèse TTS à l'échelle humaine en combinant diffusion de style et formation contradictoire à l'aide de modèles de langage de langage de grande taille. Il génère la parole la plus naturelle parmi les modèles de langage mono-parleur, rivalisant avec les enregistrements humains. StyleTTS 2 utilise la modélisation de style basée sur la diffusion pour capturer toute la gamme de variations de la parole humaine.

OpenVoice by MyShell.ai permet le clonage instantané de la voix avec contrôle granulaire sur le style vocal, l'émotion, l'accent, le rythme, les pauses et l'intonation. Il peut cloner une voix à partir d'un court clip audio et générer la parole en plusieurs langues tout en conservant l'identité de l'enceinte. OpenVoice fonctionne également comme un convertisseur vocal, permettant la transformation vocale en temps réel.

Qwen3-TTS est un modèle de texte à parole de 1,7 milliard de paramètres de l'équipe Qwen d'Alibaba. Il prend en charge trois modes : voix prédéfinies avec contrôle d'émotion (9 haut-parleurs), clonage de la voix à partir de seulement 3 secondes d'audio, et un mode de conception de la voix unique où vous décrivez la voix que vous voulez en langage naturel.

Sésame CSM (Conversational Speech Model) est un modèle de 1 milliard de paramètres conçu spécifiquement pour générer la parole conversationnelle. Il modélise les modèles naturels de conversation humaine, y compris le timing tour à tour, les réponses des canaux arrière, les réactions émotionnelles et le flux conversationnel.

Chatterbox Turbo by Resemble AI est une mise à jour de 350M vers Chatterbox, fournissant jusqu'à 6x vitesse en temps réel avec sous-200ms latence. Il prend en charge les balises paralinguistiques comme [laugh], [toux] et [chuckle] directement dans le texte. Inclut le filigrane Perth sur tous les audios générés pour le suivi de provenance.

Zonos v0.1 de Zyphra est un modèle de paramètre 1.6B doté d'un contrôle d'émotion à grain fin avec des curseurs pour le bonheur, la colère, la tristesse, la peur et la surprise. Il offre à la fois une variante Transformer et un nouveau modèle SSM (state-space).

Dia2 de Nari Labs est une première mise à niveau en streaming vers Dia, disponible en variantes de paramètres 1B et 2B. Il commence à synthétiser l'audio des premiers jetons, ce qui le rend idéal pour les agents vocaux en temps réel et les pipelines de parole à parole. Supporte le dialogue multi-parleurs avec des balises [S1]/[S2] et des indices paralinguistiques comme (rires), (toux).

VoxCPM 1.5 d'OpenBMB est un nouveau modèle TTS sans tokenizer qui fonctionne dans l'espace continu plutôt que des tokens discrets. Il produit une haute fidélité audio 44.1kHz, prend en charge le clonage vocal zéro-shot à partir de 3-10 secondes, et maintient la cohérence entre les paragraphes.

OuteTTS étend les grands modèles de langage avec des capacités de texte à parole tout en préservant l'architecture originale. Il prend en charge plusieurs backends tels que lama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, et même inférence de navigateur via Transformers.js.

TADA (Text-Acoustic Dual Alignement) by Hume AI est un modèle TTS révolutionnaire qui élimine les hallucinations grâce à une nouvelle architecture de double alignement construite sur Llama 3.2. Disponible en versions 1B (anglais) et 3B (multilingue), TADA obtient un RTF de 0,09 — 5x plus rapide que les modèles TTS comparables basés sur LLM. Il supporte jusqu'à 700 secondes de contexte audio et produit un discours émotionnellement expressif avec zéro hallucination sur des repères standard.

VibeVoice by Microsoft propose deux variantes : un modèle 1.5B pour le contenu de forme longue (jusqu'à 90 minutes, 4 haut-parleurs) et un modèle Realtime 0.5B pour le streaming avec ~200ms première latence audio. La variante 1.5B excelle dans les podcasts et les livres audio avec cohérence haut-parleur sur les longs passages.

Pocket TTS by Kyutai (créateurs de Moshi) est un modèle compact de 100M de texte à discours qui frappe bien au-dessus de son poids. Il fonctionne efficacement sur CPU, prend en charge le clonage vocal zéro-shot à partir d'un seul échantillon audio, et produit une parole sonore naturelle. La petite taille du modèle le rend idéal pour le déploiement des bords et les environnements à faible ressources.

Kitten TTS by KittenML est un modèle text-to-speech ultra-léger construit sur ONNX. Avec des variantes de 15M à 80M paramètres (25-80 MB sur disque), il offre une synthèse vocale de haute qualité sur CPU sans avoir besoin d'un GPU. Caractéristiques 8 voix intégrées, vitesse de parole réglable, et prétraitement de texte intégré pour les nombres, les devises et les unités. Idéal pour le déploiement des bords et les applications à faible latence.

CosyVoice3 is the latest evolution from Alibaba's FunAudioLLM team. It features bi-streaming inference with ~150ms latency, instruction-based control for emotion/speed/volume, and improved speaker similarity for zero-shot cloning. Supports 9 languages plus 18 Chinese dialects. RL-tuned variant delivers state-of-the-art prosody.

MOSS-TTS from OpenMOSS supports generation of up to 1 hour of continuous speech across 20 languages. Features token-level duration control, phoneme-level pronunciation control via IPA/Pinyin, and code-switching between languages. The 8B production model delivers state-of-the-art quality with zero-shot voice cloning from reference audio.

MegaTTS3 from ByteDance uses a novel sparse alignment mechanism combined with a latent diffusion transformer. Features adjustable trade-off between speech intelligibility and speaker similarity for zero-shot voice cloning.