Voix Sesame AI et CSM-1B : la démo, le modèle ouvert et une alternative
La démo de voix conversationnelle de Sesame, avec les voix que beaucoup connaissent sous les noms de Maya et Miles, a impressionné de nombreux auditeurs, et Sesame a aussi publié un modèle vocal ouvert, CSM-1B. Ce n’est pas la même chose, et cela compte si vous voulez utiliser la voix dans votre projet.
Ce guide explique, d’après la fiche du modèle CSM-1B, ce qu’est le modèle ouvert, ce qu’il faut pour le faire tourner, ses règles d’usage et quand un moteur prêt à l’emploi comme SuperClonica est le choix le plus simple.
La démo et le modèle ouvert
La fiche du modèle indique qu’une variante affinée de CSM fait tourner la démo vocale interactive de Sesame. Le CSM-1B publié est le modèle de base Conversational Speech Model : il ne sonnera ni ne se comportera exactement comme la démo tel quel. CSM génère la parole à partir du texte et d’un contexte audio, ce qui lui permet de garder le même locuteur d’un tour à l’autre.
Ce qu’est CSM-1B
CSM repose sur un socle Llama et un décodeur audio plus petit qui produit des codes audio Mimi. Il est sorti le 13 mars 2025 sous licence Apache-2.0 et il est pris en charge nativement par Hugging Face Transformers depuis la version 4.52.1. Sa langue principale est l’anglais ; selon la fiche, les autres langues ne fonctionnent que de façon limitée et sans doute mal. Pour le télécharger, il faut accepter de partager ses coordonnées Hugging Face.
Le faire tourner et ses règles
Le code d’exemple de la fiche utilise une carte graphique CUDA si elle est présente, sinon il se rabat sur le processeur. La fiche interdit d’utiliser le modèle pour imiter des personnes réelles sans leur consentement explicite, pour créer du contenu trompeur ou à des fins illégales ou nuisibles.
Une alternative prête sur un ordinateur ordinaire
Si vous avez besoin de voix tout de suite plutôt que d’un modèle de recherche, installez le moteur gratuit SuperClonica avec python -m pip install superclonica-cpu et lancez superclonica --text "Hey, good to hear from you." --voice F1 --lang fr --output hello.wav. Il fonctionne hors ligne sur un processeur ordinaire, parle 31 langues et fournit dix voix de base, M1 à M5 et F1 à F5. Le moteur est sous Apache 2.0 et le modèle Supertonic 3 sous OpenRAIL-M, qui autorise l’usage commercial dans le cadre de ses restrictions.
Les voix et votre propre voix
Écoutez gratuitement les voix du catalogue sur leurs pages : collez 30 à 100 caractères, sans compte. Pour votre propre voix, enregistrez une phrase propre de 5 à 10 secondes et entraînez-la dans le studio ; l’entraînement sur votre propre carte graphique NVIDIA est gratuit. La voix gratuite Maya du catalogue appartient à SuperClonica et n’a aucun lien avec Sesame.