Convertir un texte en voix hors ligne sur votre ordinateur

Ce qu’il faut pour une synthèse vocale hors ligne

Un ordinateur sous Windows, macOS ou Linux suffit. Supertonic 3 tourne sur le processeur et, selon ses auteurs, n’a pas besoin de carte graphique. Un GPU NVIDIA accélère la synthèse, mais il reste facultatif.

• Git et Python 3.11 pour le client standard de Supertonic 3. Le moteur SuperClonica demande Python 3.10 ou plus récent.
• Environ 400 Mo d’espace disque pour le modèle de base, téléchargé une seule fois.
• Une voix : un fichier JSON qui contient le profil de la voix.
• Une connexion internet pour l’installation seulement. Ensuite, la voix est générée hors ligne.

Étape 1 : choisir une voix

Supertonic 3 est livré avec quelques voix prédéfinies. Si vous cherchez un timbre précis, comme un narrateur posé, un personnage de jeu ou une voix de conversation, parcourez le catalogue : chaque voix y a des démos et une description rédigée par son auteur, et certaines sont gratuites.

Vérifiez d’abord la langue. Supertonic 3 parle 31 langues, dont le français, l’anglais, l’allemand, l’espagnol, le portugais, le russe, le japonais et le coréen. Le chinois n’est pas encore pris en charge.

Après l’achat, ouvrez Ma bibliothèque et téléchargez la voix au format JSON. Les fichiers de voix créés ailleurs pour Supertonic 3 fonctionnent de la même façon.

Étape 2 : installer Supertonic 3 sous Windows, macOS ou Linux

Le client standard de Supertonic 3 fonctionne dès aujourd’hui. Ouvrez un terminal (PowerShell sous Windows) et exécutez dans l’ordre les commandes de notre page Comment ça marche. Elles clonent le dépôt supertonic depuis GitHub, y créent un environnement virtuel Python 3.11 (py -3.11 -m venv .venv sous Windows, python3.11 -m venv .venv sous macOS et Linux), installent huggingface_hub, téléchargent le modèle supertone-oss-archive/supertonic-3 dans le dossier assets avec l’outil hf, installent les paquets de py/requirements.txt et passent dans le dossier py.

La page donne les commandes exactes pour Windows et pour macOS et Linux, avec un bouton pour les copier. Seul le téléchargement du modèle prend du temps, et il n’a lieu qu’une fois.

Étape 3 : convertir le texte en voix

Enregistrez la voix téléchargée sous le nom voice.json dans le dossier supertonic/py. Lancez ensuite example_onnx.py depuis l’environnement virtuel avec la voix, le texte et le code de langue : --voice-style "./voice.json" --text "Votre texte" --lang fr --n-test 1. Le script enregistre un fichier WAV dans le dossier results.

Pour une autre langue, changez le texte et le code, par exemple --lang en ou --lang de. Le script propose aussi l’option --speed : la valeur par défaut est 1.05, et une valeur plus élevée fait parler la voix plus vite.

À partir de là, plus besoin de réseau : vous pouvez vous déconnecter et continuer à convertir du texte en voix autant que vous voulez.

Plus rapide : le moteur SuperClonica

SuperClonica est notre moteur basé sur Supertonic 3. Il lit les mêmes fichiers JSON de voix sans conversion et, à réglages égaux, il est en moyenne 61 % plus rapide sur processeur (mesuré sur un Ryzen 7 5800X) et 73 % plus rapide sur carte graphique (RTX 5070 Ti). Les pauses arrivent sans souffle et les fins de phrase sont plus propres.

Les paquets sont sur PyPI, l’installation tient donc en une commande : python -m pip install superclonica-cpu, ou superclonica-gpu-cuda pour un GPU NVIDIA, CUDA et cuDNN étant installés par pip. Une phrase tient alors en une ligne : superclonica --text "Bonjour !" --voice voice.json --lang fr --output bonjour.wav. Le modèle de base se télécharge au premier lancement. En Python, Superclonica().synthesize() prend les mêmes paramètres ; l’exemple complet figure sur la page d’installation.

Conseils pour les longs textes

Livres, articles et longs scripts passent mieux avec un peu de préparation.

• Découpez le texte en chapitres ou en sections et générez chacun dans son propre fichier. Un passage raté se refait alors en un instant.
• Avec le client standard, limitez chaque passage à un paragraphe ou à quelques phrases, puis assemblez les fichiers dans un éditeur audio. Le moteur SuperClonica découpe lui-même les longs textes en parties courtes, ce qui limite les mots répétés ou coupés.
• Écrivez les nombres, les dates, les unités et les abréviations comme ils doivent être lus à voix haute.
• Coupez les phrases très longues : c’est la ponctuation qui donne ses pauses à la voix.
• Prévoyez le temps nécessaire. Selon notre estimation, SuperClonica produit une heure d’audio en 7 à 11 minutes environ sur un processeur de bureau à 8 cœurs.