GUIDE

Les meilleurs modèles de synthèse vocale gratuits pour un usage local en 2026

La synthèse vocale gratuite suffit désormais pour un vrai travail, et beaucoup de modèles ouverts tournent sur votre propre matériel. Le mot gratuit cache pourtant de vraies différences : certaines licences interdisent l’usage commercial, certains modèles demandent un gros GPU, et rares sont ceux qui tournent à l’aise sur un processeur ordinaire.

Ce tour d’horizon couvre les modèles ouverts que nous comparons sur ce site. SuperClonica vend des voix pour l’un d’eux, Supertonic 3 : gardez-le en tête. Nous nous en tenons aux informations de la documentation de chaque modèle et disons clairement quand un autre modèle convient mieux.

Écouter des voix pour Supertonic 3 Installer SuperClonica

Comment choisir un modèle TTS gratuit

Quatre questions raccourcissent vite la liste.

  • La langue : le modèle parle-t-il la vôtre ? Le chinois, par exemple, écarte Supertonic 3.
  • La licence : gratuit au téléchargement ne veut pas toujours dire gratuit pour un usage commercial. Vérifiez les conditions du code et des poids.
  • Le matériel : un processeur ordinaire, ou un GPU avec assez de mémoire ?
  • Les voix : les voix prédéfinies suffisent-elles, ou vous faut-il une voix précise d’après un enregistrement ?

Petits modèles de synthèse vocale gratuits pour CPU

Supertonic 3, de Supertone, compte environ 99 millions de paramètres, tourne avec ONNX Runtime et, selon ses auteurs, se passe de GPU. Il parle 31 langues, dont le français mais pas le chinois, sous licence OpenRAIL-M : sans redevance, avec une liste d’usages interdits. Il est livré avec des voix prédéfinies ; d’autres voix, gratuites et payantes, se trouvent dans le catalogue SuperClonica, et le moteur SuperClonica les fait tourner en moyenne 61 % plus vite sur processeur.

Kokoro-82M compte 82 millions de paramètres, sous Apache 2.0, avec 54 voix prédéfinies dans huit langues, dont le français avec une seule voix. Il est surtout à l’aise en anglais : sa propre liste de voix note moins bien les voix chinoises et japonaises. La version officielle ne clone pas de voix. Il tourne en Python et dans le navigateur avec kokoro-js.

Piper est un moteur local rapide conçu pour les petits appareils comme le Raspberry Pi, connu comme la voix de Home Assistant. Chaque voix est un modèle ONNX pour une langue ; la liste couvre 39 langues, dont le français et le chinois, mais ni le japonais ni le coréen. Le moteur actuel est sous GPL-3.0, et chaque voix a sa propre licence.

Chatterbox Nano, de Resemble AI, est un modèle anglais de 110 millions de paramètres sous MIT. Resemble AI annonce 3 fois le temps réel sur 8 cœurs de processeur ; il clone une voix à partir d’un extrait et marque chaque fichier d’un filigrane PerTh inaudible.

Modèles plus lourds pour le clonage de voix

Ces modèles clonent une voix à partir de quelques secondes d’audio. Selon nos estimations, ils tournent plus lentement que le temps réel sur un processeur de bureau : ils donnent leur pleine mesure sur un GPU.

  • Qwen3-TTS : Apache 2.0, tailles 0.6B et 1.7B, 10 langues dont le français et le chinois, clonage à partir de 3 secondes et création de voix d’après une description. Sur processeur, environ 1 à 2 fois plus lent que le temps réel (0.6B).
  • VoxCPM 2 : Apache 2.0, 2 milliards de paramètres, 30 langues plus des dialectes chinois, audio en 48 kHz, environ 8 Go de VRAM. Sur processeur, environ 2 à 4 fois plus lent que le temps réel.
  • Chatterbox Multilingual V3 : MIT, 500 millions de paramètres, 23 langues, clonage à partir d’un extrait ; ses exemples tournent sur GPU.
  • Fish Audio S2 Pro : la meilleure note de qualité de notre tableau et plus de 80 langues, mais 4 à 10 fois plus lent que le temps réel sur processeur, et l’usage commercial exige une licence distincte de Fish Audio.

Gratuit, mais pas pour un usage commercial

Plusieurs modèles populaires publient un code ouvert avec des poids non commerciaux. Ils conviennent aux essais et aux projets personnels, pas à un produit payant.

  • OmniVoice : 646 langues et clonage à partir de 3 à 10 secondes d’audio. Le code est sous Apache 2.0, le modèle pré-entraîné sous CC-BY-NC.
  • F5-TTS : clonage zero-shot en chinois et en anglais. Code sous MIT, poids sous CC-BY-NC, et la vitesse sur processeur la plus faible de notre tableau.
  • Coqui XTTS-v2 : 17 langues, dont le français, et clonage à partir d’un court extrait. La Coqui Public Model License s’applique aussi à l’audio généré, et le dépôt d’origine n’est plus maintenu.

Quel modèle de synthèse vocale gratuit choisir

Chaque page de comparaison en lien ci-dessous donne les sources et nos estimations de vitesse pour son modèle.

  • Narration, jeux et applications sur des ordinateurs ordinaires, dans l’une des 31 langues : Supertonic 3, avec une voix du catalogue ou une voix entraînée sur votre enregistrement.
  • Voix anglaises prédéfinies sous la licence la plus permissive : Kokoro.
  • Raspberry Pi et Home Assistant : Piper.
  • Clonage instantané sur GPU avec usage commercial autorisé : Qwen3-TTS, VoxCPM 2 ou Chatterbox.
  • Voix en chinois : Qwen3-TTS ou VoxCPM 2 sur GPU ; Piper et Kokoro ont aussi des voix chinoises.
  • Recherche et essais personnels : tous, y compris OmniVoice, F5-TTS et XTTS-v2.