Clonage de voix : obtenir une voix proche d’un enregistrement

D’abord les droits et le consentement

Clonez votre propre voix, ou celle d’une personne qui a donné son accord. Quand vous commandez une voix, vous confirmez détenir les droits sur les enregistrements et le consentement de la personne qui parle. Les auteurs ne publient des voix qu’à partir d’enregistrements pour lesquels ils ont les droits et le consentement.

La licence de Supertonic 3, OpenRAIL-M, interdit elle aussi de se faire passer pour quelqu’un sans son consentement. En pratique : pas de voix de célébrités, de collègues ou de proches sans leur permission, et gardez cette permission avec les enregistrements d’origine.

Enregistrer une bonne référence pour le clonage de voix

La voix apprend de ce qu’elle entend, bruit et écho de la pièce compris. Un enregistrement court et propre vaut mieux qu’un long enregistrement bruité.

• Enregistrez dans une pièce calme et meublée de textiles : sans musique, ventilateur, circulation ni écho.
• Une seule personne qui parle, sans voix superposées ni effets sonores.
• Gardez la même distance au micro et un volume régulier, sans saturation sur les mots forts.
• Parlez comme la voix doit sonner : un narrateur posé lit calmement, un personnage joue son rôle.
• Notez le texte exact de l’enregistrement, mot pour mot, avec les répétitions et les hésitations. Le site le demande pour chaque référence.
• Durée : de 5 à 10 secondes par référence pour l’entraînement dans le studio. Pour une commande, vous pouvez envoyer des fichiers WAV, MP3, FLAC ou OGG de 30 Mo et 10 minutes au plus chacun, jusqu’à 20 fichiers.

Option 1 : commander la voix à un auteur

Sans GPU NVIDIA, ou sans le temps d’entraîner vous-même, passez une commande dans l’espace des commandes de voix.

• Décrivez la tâche : timbre, façon de parler, usage de la voix et critères de validation. Indiquez la langue de la voix, un budget de 0,01 à 10 000 dollars US et un délai en jours.
• Ajoutez les enregistrements avec leur texte exact, confirmez vos droits et publiez la commande.
• Les auteurs envoient leurs propositions, et c’est vous qui choisissez qui fera le travail.
• Réservez le budget sur votre solde. L’auteur commence ensuite et livre une voix entraînée avec une démo audio.
• Validez le résultat ou demandez des retouches précises. L’auteur n’est payé qu’après votre validation, et la voix se télécharge alors en fichier JSON. Si la commande est annulée, l’argent réservé revient sur votre solde.

Option 2 : entraîner la voix vous-même

L’entraînement dans le studio est gratuit si vous avez un ordinateur avec un GPU NVIDIA. Il devient votre worker : vous le connectez avec un jeton personnel, et il n’entraîne que vos voix.

• Créez une voix et ajoutez une référence : un enregistrement propre de 5 à 10 secondes avec son texte exact. Les références restent privées.
• Cliquez sur Entraîner à côté de la référence, choisissez le nombre d’étapes et lancez l’entraînement.
• Comparez les checkpoints d’après leurs démos et leur ressemblance, et poursuivez l’entraînement du plus prometteur.
• Téléchargez gratuitement le JSON sur la page de l’entraînement. Si vous le souhaitez, mettez la voix en vente avec une couverture, une description et un prix.

Ce qu’il faut attendre d’une voix clonée

L’entraînement trouve un timbre et une façon de parler proches de votre enregistrement. Attendez-vous à une voix reconnaissable plutôt qu’à une copie parfaite : plus la référence est propre et proche du son voulu, plus le résultat s’en rapproche. Une voix réalisée sur commande reste privée, l’auteur ne la publie pas dans le catalogue.

En échange de l’attente, vous obtenez un fichier qui tourne hors ligne à pleine vitesse. Selon notre estimation, SuperClonica parle 6,4 à 9,7 fois plus vite que le temps réel sur un processeur de bureau à 8 cœurs, et chaque phrase part du même timbre. La voix fonctionne avec les 31 langues de Supertonic 3 ; le chinois n’est pas encore disponible.

S’il vous faut un clone tout de suite à partir d’un court extrait, les modèles zero-shot le font sans entraînement : Qwen3-TTS à partir de 3 secondes d’audio, OmniVoice de 3 à 10 secondes, Chatterbox à partir d’un extrait de référence. Leurs licences et leurs besoins matériels diffèrent ; nos pages de comparaison détaillent les deux.