Coqui XTTS-v2 ou SuperClonica : une alternative à Coqui TTS
XTTS-v2 est le modèle de clonage de voix de Coqui, publié avec la bibliothèque open source Coqui TTS. À partir d’un court extrait de référence, il parle avec cette voix dans 17 langues, dont le français, et peut faire passer une voix d’une langue à une autre.
Si vous comptez bâtir un projet dessus aujourd’hui, deux points comptent : le dépôt d’origine coqui-ai/TTS n’est plus maintenu, et la licence des poids XTTS n’autorise pas l’usage commercial. Si vous cherchez une alternative à Coqui TTS, voici comment SuperClonica se compare. XTTS ne figure pas dans notre tableau comparatif, nous ne donnons donc ni note de vitesse ni note de qualité pour lui.
Ce que fait XTTS-v2
XTTS-v2 clone une voix à partir de quelques secondes d’audio : la fiche du modèle parle d’un extrait de 6 secondes, la documentation de 3 secondes. Il parle anglais, espagnol, français, allemand, italien, portugais, polonais, turc, russe, néerlandais, tchèque, arabe, chinois, japonais, hongrois, coréen et hindi, produit de l’audio en 24 kHz et reprend l’émotion et le style de la référence.
Il sait faire du streaming, et les auteurs annoncent une latence inférieure à 200 ms sans préciser le matériel. Les exemples de la documentation le font tourner sur CUDA, et le code d’affinage est fourni.
Licence XTTS : pourquoi l’usage commercial est exclu
Les poids de XTTS-v2 sont sous Coqui Public Model License. Elle n’autorise que l’usage non commercial et ne vise pas seulement le modèle, mais aussi l’audio généré : dès que vous êtes payé, directement ou indirectement, pour le modèle ou pour ce qu’il produit, vous sortez de la licence. Les entreprises ne peuvent l’utiliser que pour des tests, de l’évaluation et de la recherche non commerciale.
Le code de Coqui TTS est lui sous MPL-2.0 : l’obstacle, ce sont les poids, pas le code. Supertonic 3 est sous OpenRAIL-M, une licence gratuite qui liste des usages interdits au lieu d’une clause non commerciale. Les voix achetées sur SuperClonica servent à vos propres projets et ne peuvent pas être revendues.
Coqui TTS aujourd’hui
Le dépôt d’origine coqui-ai/TTS n’est plus maintenu. Idiap maintient un fork publié sur PyPI sous le nom coqui-tts, avec des paquets prêts pour Linux, macOS et Windows et des nouveautés comme un cache pour les voix clonées. Les poids de XTTS-v2 et leur licence n’ont pas changé.
Cloner à chaque requête ou un fichier de voix entraîné
XTTS reconstruit la voix à partir de l’extrait de référence à chaque requête : le résultat dépend donc de l’extrait fourni. SuperClonica entraîne la voix une fois dans un fichier Supertonic 3 : un enregistrement propre de 5 à 10 secondes avec sa transcription exacte, votre propre GPU NVIDIA, sans frais. Vous pouvez aussi commander la voix à un auteur ou la choisir dans le catalogue.
Le fichier fonctionne ensuite hors ligne sur un processeur ordinaire. D’après notre estimation, SuperClonica parle 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 en 1,0 à 1,6 seconde environ.
Quand XTTS-v2 est le meilleur choix
Choisissez SuperClonica pour les projets rémunérés, les machines sans GPU et les voix que vous voulez garder sous forme de fichier. XTTS-v2 reste adapté dans ces cas :
- Projets personnels, de recherche ou de loisir, où la licence non commerciale ne gêne pas.
- Clonage instantané à partir de quelques secondes d’audio, sans entraînement.
- Synthèse en chinois, que Supertonic 3 n’a pas encore.
- Chaînes de traitement déjà construites sur la bibliothèque Coqui TTS.