Une alternative à VibeVoice pour les podcasts et dialogues
VibeVoice de Microsoft a fait sensation car son modèle TTS pouvait lire jusqu’à 90 minutes de parole avec jusqu’à quatre locuteurs, un épisode de podcast entier d’un coup. Le 5 septembre 2025, les mainteneurs ont retiré le code de VibeVoice-TTS du dépôt après avoir constaté des abus, et le tableau des modèles indique les poids TTS-1.5B comme désactivés. Il reste VibeVoice-Realtime-0.5B, un modèle en streaming pour environ 10 minutes de parole, et le projet précise que les modèles sont destinés uniquement à la recherche et au développement.
Si vous cherchiez des podcasts ou des dialogues à plusieurs voix, le moteur gratuit SuperClonica y parvient autrement : chaque locuteur est une voix, chaque réplique est lue séparément, et les répliques sont réunies dans un seul fichier. Il fonctionne hors ligne sur un processeur ordinaire, et ses voix de base peuvent être utilisées commercialement.
Ce qui est arrivé à VibeVoice
Le dépôt VibeVoice est sous licence MIT et héberge toujours les modèles de reconnaissance vocale et le modèle TTS Realtime-0.5B, avec saisie de texte en streaming et premier son en environ 300 ms. Le code du TTS long a été retiré le 2025-09-05, et les poids TTS-1.5B sont indiqués comme désactivés. Vérifiez l’état actuel du dépôt avant de bâtir dessus.
Écoutez d’abord les voix
Sur la page de n’importe quelle voix du catalogue, collez une réplique de votre script, de 30 à 100 caractères, choisissez la langue et cliquez sur Lire. En quelques secondes vous savez qui prendre comme animateur et comme invité, sans compte.
Un podcast à deux voix depuis un script
Installez le moteur avec python -m pip install superclonica-cpu. Écrivez le script avec un locuteur par ligne, par exemple A : Bon retour dans l’émission. et B : Merci, ravi d’être là. Donnez une voix à chaque locuteur, par exemple F2 pour l’animatrice et M3 pour l’invité, lisez chaque réplique et réunissez-les avec une courte pause ; notre guide des dialogues IA contient un extrait Python prêt à l’emploi qui transforme un tel script en un seul WAV. Un long épisode, ce sont simplement plus de lignes : aucune limite de longueur, et modifier une réplique, c’est en relire une seule.
Là où VibeVoice était plus fort
Un modèle long lit toute la conversation d’un coup, donc les tours de parole, les rires et les transitions peuvent sonner plus spontanés, et VibeVoice parlait aussi chinois. La lecture réplique par réplique donne un contrôle précis de chaque ligne et tourne sur n’importe quel ordinateur, mais les chevauchements et interruptions doivent s’écrire comme de courtes répliques séparées.
Les voix que vous pouvez publier
Les dix voix de base, M1 à M5 et F1 à F5, peuvent être utilisées commercialement selon la licence du modèle OpenRAIL-M, tout comme une voix entraînée sur votre propre enregistrement ou celui d’une personne qui a donné son accord. Les voix de personnages du catalogue sont faites par des fans et réservées aux usages de fans et de parodie. N’écrivez jamais une fausse conversation entre de vraies personnes qui pourrait passer pour un vrai enregistrement.