Kokoro TTS ou SuperClonica : deux petits modèles de synthèse vocale locale
Kokoro-82M est un modèle de synthèse vocale à poids ouverts de 82 millions de paramètres, sous licence Apache 2.0. La version 1.0 est sortie en janvier 2025 avec 54 voix prêtes à l’emploi dans huit langues. Supertonic 3, le modèle derrière SuperClonica, joue dans la même catégorie : environ 99 millions de paramètres, conçu pour un processeur ordinaire.
Le choix se fait donc moins sur la taille que sur les langues, les voix et la licence. Kokoro ne figure pas dans notre tableau comparatif et nous ne l’avons pas mesuré : cette page ne donne aucune note de vitesse ou de qualité pour lui, seulement des faits tirés de sa fiche de modèle et de son dépôt.
Ce qu’est Kokoro-82M
Kokoro repose sur StyleTTS 2 avec un décodeur ISTFTNet et a été entraîné sur quelques centaines d’heures d’audio du domaine public, sous licences permissives ou synthétique. Les poids sont sous Apache 2.0, et les auteurs invitent explicitement à l’utiliser dans des produits commerciaux.
Il s’installe avec pip install kokoro, plus espeak-ng, qui prend en charge les mots absents du lexique anglais et une partie des autres langues. La sortie est en 24 kHz. Une bibliothèque à part, kokoro-js, fait tourner le modèle entièrement dans le navigateur grâce à Transformers.js.
Les langues de Kokoro face à Supertonic 3
La version 1.0 compte 54 voix : 20 en anglais américain, 8 en anglais britannique, 8 en chinois mandarin, 5 en japonais, 4 en hindi, 3 en espagnol, 3 en portugais du Brésil, 2 en italien et une seule en français. La liste des voix prévient elle-même que la prise en charge des langues autres que l’anglais peut être mince, faute de phonémisation solide et de données d’entraînement.
Supertonic 3 parle 31 langues, dont le français, le russe, l’allemand, le coréen, le polonais et le turc ; Kokoro n’a aucune des cinq dernières. Il couvre toutes les langues de Kokoro sauf le chinois : si vous avez besoin du mandarin, Kokoro a des voix et Supertonic 3 non.
Voix prêtes ou voix à vous
Kokoro est livré avec ses voix prêtes à l’emploi. La fiche du modèle précise qu’aucun encodeur n’a été publié, et le paquet officiel ne permet pas de transformer votre enregistrement en nouvelle voix.
SuperClonica est construit autour des voix sur mesure. Le catalogue réunit des voix Supertonic 3 d’auteurs indépendants, chacune avec des démos et un prix en dollars américains, et certaines sont gratuites. Si aucune ne convient, commandez une voix à partir d’un enregistrement de référence : le budget reste réservé sur votre solde jusqu’à ce que vous acceptiez le résultat. Ou entraînez-la vous-même gratuitement, à partir d’un enregistrement propre de 5 à 10 secondes, sur votre propre GPU NVIDIA. Dans les deux cas, vous obtenez un seul fichier JSON qui fonctionne hors ligne.
Vitesse sur un CPU ordinaire
Nous n’avons pas mesuré Kokoro, donc pas de chiffres de vitesse pour lui ici. Avec 82 millions de paramètres, il est un peu plus petit que Supertonic 3 : testez-le sur votre matériel, avec vos propres textes.
Pour SuperClonica, nous estimons 6,4 à 9,7 fois plus vite que le temps réel sur un CPU de bureau à 8 cœurs : une phrase de 10 secondes est prête en 1,0 à 1,6 seconde environ. Le moteur est en moyenne 61 % plus rapide que le client standard de Supertonic 3 sur CPU, découpe les longs textes en parties courtes, ce qui limite les mots répétés ou coupés, et lit les mêmes fichiers de voix sans conversion.
Quand Kokoro est le meilleur choix
Choisissez SuperClonica s’il vous faut une langue que Kokoro n’a pas, plus d’une voix française, une voix autre que celles fournies ou une voix entraînée sur votre enregistrement. Kokoro est plus logique dans ces cas :
- Vous voulez un petit modèle gratuit pour une synthèse en anglais, et les voix prêtes suffisent.
- Vous avez besoin du chinois mandarin, que Supertonic 3 n’a pas encore.
- Vous voulez les conditions les plus libres : Apache 2.0 n’a pas de liste d’usages interdits, contrairement à OpenRAIL-M.
- Votre application génère la voix dans le navigateur et kokoro-js s’intègre déjà à votre stack.