Une synthèse vocale qui tourne sur votre propre ordinateur

Comment fonctionne la synthèse vocale locale avec Supertonic 3

Supertonic 3 est un modèle à poids ouverts de Supertone, avec environ 99 millions de paramètres. Il tourne avec ONNX Runtime et, d’après ses auteurs, ne demande pas de GPU. Il parle 31 langues, dont le français, l’anglais, l’espagnol, l’allemand, l’italien, le portugais, le japonais et le coréen. Le chinois n’est pas encore pris en charge.

Le fichier de voix ne contient que le profil de la voix. Pour générer l’audio, il faut aussi un moteur (le client standard de Supertonic 3 ou SuperClonica) et le modèle de base, d’environ 400 Mo. L’installation demande internet ; ensuite, la synthèse se fait en local.

• Ordinateur : Windows, macOS et Linux, sur le CPU.
• Navigateur : applications web via ONNX Runtime Web.
• Mobile : applications compatibles.
• Votre produit : jeux, bots et services sur vos propres serveurs.

Quelle vitesse pour la synthèse vocale sur CPU ?

Supertone annonce pour Supertonic 3 un facteur temps réel (RTF) de 0,20 sur un CPU à 16 threads : une seconde d’audio se génère en 0,2 seconde. Pour un processeur de bureau à 8 cœurs comme le Ryzen 7 7800X3D, nous estimons Supertonic 3 à 4 à 6 fois le temps réel, et SuperClonica à 6,4 à 9,7 fois. Une phrase de 10 secondes est prête en 1,0 à 1,6 seconde environ.

L’avance du moteur, elle, est mesurée : en moyenne 61 % plus rapide que Supertonic 3 sur CPU (Ryzen 7 5800X) et 73 % sur carte graphique (RTX 5070 Ti), à réglages identiques. Les silences entre les mots n’ont plus de souffle, les fins de phrase sont plus nettes, et les textes longs sont lus par petits morceaux, d’où moins de mots répétés ou coupés. Les voix Supertonic 3 fonctionnent sans conversion.

Voix prêtes à l’emploi, gratuites ou clonées d’après un enregistrement

Le catalogue rassemble des voix d’auteurs indépendants : personnages de jeu, narrateurs, voix conversationnelles, chacune avec ses démos. Les auteurs fixent leurs prix en dollars américains, et certaines voix sont gratuites. Une voix achetée sert à vos propres projets ; la revendre n’est pas autorisé.

Pour obtenir une voix proche d’un enregistrement précis, deux options. Toutes deux prennent plus de temps qu’un clonage instantané dans le cloud, mais vous obtenez un fichier qui tourne ensuite vite partout. N’utilisez que des enregistrements dont vous détenez les droits, avec l’accord de la personne enregistrée.

• Commander une voix : déposez une référence, décrivez le son voulu et fixez un budget. Les auteurs envoient leurs propositions ; le budget reste réservé sur votre solde jusqu’à la validation du résultat.
• Cloner une voix vous-même, gratuitement : un enregistrement propre de 5 à 10 secondes avec sa transcription exacte, votre ordinateur équipé d’un GPU NVIDIA comme worker, et des checkpoints à comparer. Le JSON se télécharge gratuitement.
• Vendre ce que vous avez entraîné : ajoutez une couverture, une description et un prix. Les revenus, moins la commission de la plateforme, arrivent sur votre solde en dollars.

TTS local ou synthèse vocale dans le cloud ?

Les services cloud comme ElevenLabs génèrent la voix sur leurs serveurs : application web, API, clonage rapide, beaucoup de langues, rien à installer. En contrepartie, chaque texte passe par le réseau, l’usage est décompté selon un forfait, et rien ne marche hors ligne.

Avec un fichier de voix local, c’est l’inverse : le texte reste sur l’appareil, il n’y a pas d’aller-retour réseau, et personne ne compte vos caractères. Le prix à payer : un peu d’installation et un modèle plus modeste, avec 31 langues, sans chinois et avec moins de contrôle sur les émotions.

Fish Audio S2 Pro, OmniVoice et VoxCPM 2 obtiennent dans notre tableau une note de qualité égale ou supérieure et couvrent plus de langues, mais d’après nos estimations ils tournent 2 à 10 fois plus lentement que le temps réel sur un CPU de bureau.

À qui s’adresse la synthèse vocale locale

Profils typiques :

• Développeurs de jeux qui génèrent les répliques des PNJ sur la machine du joueur.
• Vidéastes et narrateurs de livres audio qui font lire de longs textes sur un portable.
• Développeurs qui ont besoin de voix dans le navigateur ou sur des serveurs sans GPU.
• Équipes dont les documents ne doivent pas quitter le réseau de l’entreprise.
• Auteurs de voix qui entraînent des voix pour les vendre ou répondre à des commandes.

Compte et paiement

La connexion se fait avec GitHub, sans pièce d’identité ni numéro de téléphone. Le paiement se fait en cryptomonnaie, le solde est tenu en dollars américains, et nous ne recevons jamais de données de carte bancaire.

SuperClonica face aux autres modèles de TTS

Notre tableau note la qualité, la vitesse sur CPU, la stabilité du timbre et les langues. Les étoiles et les vitesses sont des estimations approximatives pour un CPU de bureau, pas des résultats de mesure.

• Fish Audio S2 Pro : meilleure note de qualité, plus de 80 langues, 4 à 10 fois plus lent que le temps réel sur CPU.
• Qwen3-TTS : chinois et clonage en 3 secondes ; 10 secondes de parole en 10 à 20 secondes (0.6B).
• OmniVoice : plus de 600 langues, 2 à 5 fois plus lent que le temps réel.
• VoxCPM 2 : 30 langues et audio 48 kHz, 2 à 4 fois plus lent que le temps réel.
• F5-TTS : clonage zero-shot en chinois et en anglais, 5 à 15 fois plus lent que le temps réel.