Une alternative à XTTS v2 : ce qui a changé après Coqui
XTTS v2 de Coqui reste l’un des modèles vocaux ouverts les plus connus : il clone une voix à partir d’un extrait de 6 secondes et parle 17 langues. Deux raisons poussent à chercher une alternative : ses poids sont sous la Coqui Public Model License, qui n’autorise que l’usage non commercial, et la société qui pouvait vendre une licence commerciale a fermé au tournant de 2024.
Le moteur gratuit SuperClonica fait tourner le modèle Supertonic 3 en 31 langues sur un processeur ordinaire, et ses voix de base peuvent être utilisées commercialement. Ce guide compare les deux honnêtement et dit quand XTTS v2 reste le meilleur choix.
XTTS v2 en bref
XTTS v2 imite une voix au moment de la génération à partir d’un court échantillon : n’importe quel enregistrement devient une voix en quelques secondes. Il couvre l’anglais, l’espagnol, le français, l’allemand, l’italien, le portugais, le polonais, le turc, le russe, le néerlandais, le tchèque, l’arabe, le chinois, le japonais, le hongrois, le coréen et l’hindi, et produit un son à 24 kHz. Le code continue dans le fork communautaire idiap/coqui-ai-TTS, installé sous le nom coqui-tts avec la licence MPL 2.0, mais cette licence couvre le code, pas le modèle : la CPML n’autorise les poids et l’audio qu’ils produisent que si vous ne recevez aucun paiement direct ou indirect. Il fonctionne au mieux sur une carte graphique NVIDIA.
Comparer le son gratuitement
Sur la page de n’importe quelle voix du catalogue, collez une phrase lue avec XTTS v2, de 30 à 100 caractères, choisissez la langue et cliquez sur Lire. En quelques secondes vous pouvez comparer, sans compte.
Ce que SuperClonica fait autrement
La lecture tourne sur un processeur ordinaire : dans nos tests, une phrase courte a pris 0,43 s sur quatre threads d’un Ryzen 7 5800X, et une carte graphique ne fait qu’accélérer. Il parle 31 langues, dont le suédois, le grec, l’ukrainien, le vietnamien et l’indonésien, absents de XTTS v2, mais pas encore le chinois. Les dix voix de base, M1 à M5 et F1 à F5, peuvent être utilisées commercialement selon la licence du modèle OpenRAIL-M. Installez-le avec python -m pip install superclonica-cpu, ou utilisez les mêmes voix via l’API SuperClonica sans rien faire tourner vous-même.
Votre propre voix
XTTS v2 clone à partir d’un échantillon à chaque fois qu’il parle. Dans SuperClonica, une voix est entraînée une fois dans le studio à partir d’un enregistrement propre de 5 à 10 secondes, sur un ordinateur avec une carte graphique NVIDIA, ou commandée à un auteur qui l’entraîne. Ensuite c’est un petit fichier qui parle hors ligne sur n’importe quel processeur. Ne clonez que votre propre voix ou celle d’une personne qui a donné son accord ; les voix entraînées avec consentement peuvent être utilisées commercialement, les voix de personnages seulement pour des projets de fans et de parodie.
Lequel choisir
Choisissez XTTS v2 pour un projet de loisir ou de recherche qui demande un clonage instantané à partir d’un échantillon, pour le chinois, et si vous avez une carte graphique NVIDIA. Choisissez SuperClonica pour tout ce qui vous rapporte de l’argent, pour les langues absentes de XTTS v2, pour des voix de personnages et de narrateurs prêtes et pour un déploiement simple sur des serveurs ordinaires. Rien ne vous empêche de tester les deux d’abord sur le même texte.