La synthèse vocale open source est devenue bonne. Un modèle de 82 millions de paramètres se place désormais à quelques points des voix génératives d’Amazon Polly dans des tests d’écoute à l’aveugle, et il se télécharge gratuitement. Le piège tient au mot « ouvert ». Trois des treize modèles du tableau ont des poids inutilisables dans tout ce que vous vendez, un quatrième vous demande de ne pas le faire, et plusieurs modèles populaires absents du tableau ont le même problème.
Ce guide classe donc les modèles TTS open source d’abord par licence, ensuite par qualité. Il s’adresse aux développeurs qui choisissent quoi intégrer à une application, un appareil ou un agent vocal. Si vous construisez quelque chose pour vous-même, ignorez la colonne licence et prenez celui qui sonne le mieux.
La réponse courte
| Modèle | Éditeur | Licence des poids | Usage commercial | Langues | Score Artificial Analysis |
|---|---|---|---|---|---|
| Kokoro 82M | hexgrad | Apache 2.0 | Oui | 8 | 1064 |
| Magpie TTS Multilingual | NVIDIA | NVIDIA Open Model License | Oui | 12 | 1064 |
| Maya1 | Maya Research | Apache 2.0 | Oui | Anglais | 1046 |
| Chatterbox | Resemble AI | MIT | Oui, sortie filigranée | 23+ (Multilingual V3) | 1026 (modèle anglais) |
| Zonos v0.1 | Zyphra | Apache 2.0 | Oui | 5 | 1000 |
| Orpheus 3B | Canopy Labs | Apache 2.0 | Oui | Anglais | Non classé |
| Dia 1.6B | Nari Labs | Apache 2.0 | Oui | Anglais | Non classé |
| CosyVoice 2 | Alibaba | Apache 2.0 | Oui | Chinois d’abord, multilingue | Non classé |
| Piper | Open Home Foundation | Moteur GPL-3.0, licence par voix | Vérifier chaque voix | Plus de 40 variantes régionales | Non classé |
| VibeVoice 1.5B | Microsoft | MIT, recherche uniquement | Déconseillé | Anglais, chinois | 957 |
| XTTS v2 | Coqui (fermée) | Coqui Public Model License | Non | 17 | 916 |
| Fish Audio S2 Pro | Fish Audio | Fish Audio Research License | Non | 80+ | 1116 |
| Breeze TTS 2 | BreezeBlue | Recherche et non commercial | Non | Anglais, chinois | 1220 |
Les scores sont des notes Elo du classement Provider Voice d’Artificial Analysis, octobre 2026. Les auditeurs entendent deux extraits de la même phrase sans savoir quel modèle a produit lequel, et choisissent celui qu’ils préfèrent. Les licences et les langues proviennent de la fiche ou du dépôt de chaque modèle, vérifiés le même mois. « Non classé » signifie que le modèle ne figure pas dans ce classement, pas qu’il est mauvais.
Si vous voulez un seul choix : Kokoro pour un anglais léger et rapide, Chatterbox pour le clonage de voix et de nombreuses langues, Piper pour les appareils hors ligne.
Vérifiez d’abord la licence des poids
Un projet TTS open source a généralement deux licences : une pour le code et une pour les poids entraînés. Le code est presque toujours permissif. Les restrictions se trouvent dans les poids, et sans les poids le code ne produit aucun son.
XTTS v2 est l’exemple classique. La bibliothèque Coqui TTS est sous MPL-2.0 et toujours maintenue, dans un fork, par l’Idiap Research Institute. Les poids de XTTS v2 sont distribués sous la Coqui Public Model License, qui commence ainsi : « This license allows only non-commercial use of a machine learning model and its outputs. » La mention des sorties compte : l’audio que vous générez hérite de la restriction. Coqui vendait des licences commerciales. L’entreprise a fermé, cette porte aussi.
Le même schéma se retrouve dans les modèles plus récents. F5-TTS a un code MIT et des poids CC BY-NC 4.0. Mistral indique que Voxtral TTS hérite de la licence CC BY-NC 4.0 des voix de référence fournies avec lui. S2 Pro de Fish Audio utilise la Fish Audio Research License, et sa fiche vous demande d’accepter un usage exclusivement non commercial. Breeze TTS 2, le modèle à poids ouverts le mieux noté sur Artificial Analysis, réserve ses poids, et même l’audio généré sur vos propres serveurs, à la recherche et à un usage non commercial.
VibeVoice est un cas à part. Microsoft l’a publié sous MIT, l’une des licences les plus permissives, mais la fiche du modèle le limite à la recherche et indique que Microsoft ne recommande pas de l’utiliser dans des applications commerciales ou réelles sans tests supplémentaires. Microsoft a aussi désactivé les poids du plus grand modèle, VibeVoice-Large. Une licence MIT accompagnée d’un « merci de ne pas le faire » est une question pour votre juriste, pas pour un article.
Les modèles que vous pouvez mettre en production
Kokoro 82M est la réponse par défaut pour l’anglais. Il compte 82 millions de paramètres, une licence Apache 2.0 et un score de 1064, à égalité avec Magpie de NVIDIA et deux points derrière les voix génératives d’Amazon Polly. La version 1.0 propose 54 voix dans 8 langues. Il est si léger que des fournisseurs hébergés le revendaient déjà moins de 1 dollar par million de caractères en avril 2025, selon sa fiche. Il ne clone pas les voix.
Chatterbox de Resemble AI est le choix si vous avez besoin du clonage de voix sous licence permissive. La famille, sous MIT, comprend un modèle anglais de 500M, Chatterbox Multilingual V3 avec 500M et plus de 23 langues, et Chatterbox-Turbo, un modèle anglais de 350M conçu pour une latence plus faible, avec des balises comme [laugh] et [cough]. Chaque fichier généré par Chatterbox porte le filigrane Perth de Resemble, inaudible mais détectable. C’est un atout si la provenance vous importe, et une surprise si vous n’avez pas lu la fiche.
Magpie TTS Multilingual de NVIDIA couvre 12 langues, dont l’hindi, le japonais, le coréen et l’arabe, avec 364M de paramètres. Il fonctionne avec le framework NeMo de NVIDIA. La NVIDIA Open Model License dit clairement que les modèles sont utilisables commercialement. Il propose cinq voix de locuteurs anglais plutôt qu’un grand catalogue.
Orpheus 3B de Canopy Labs repose sur Llama 3B et annonce une latence de streaming d’environ 200 ms, ou environ 100 ms avec le streaming en entrée. Les poids sont indiqués sous Apache 2.0 ; comme la base est Llama, lisez aussi la licence Llama de Meta. Ses deux modèles principaux sont en anglais, et les modèles multilingues sont une préversion de recherche.
Dia 1.6B écrit des dialogues, pas de la narration. Vous marquez les locuteurs avec [S1] et [S2], et il peut ajouter des sons non verbaux comme des rires. Il est sous Apache 2.0 et uniquement en anglais. Sans extrait de référence, il choisit une voix différente à chaque exécution, ce qui amuse en démo et beaucoup moins dans un produit.
CosyVoice 2, de l’équipe FunAudioLLM d’Alibaba, est sous Apache 2.0 et prend en charge le streaming du texte en entrée comme de l’audio en sortie, avec une latence descendant jusqu’à 150 ms selon ses auteurs. Sa couverture linguistique est centrée sur le chinois et ses dialectes.
Zonos v0.1 de Zyphra (Apache 2.0) parle anglais, japonais, chinois, français et allemand, et demande au moins 6 Go de mémoire GPU. Maya1 (Apache 2.0, 3B de paramètres, anglais) est conçu pour créer des voix expressives, avec des balises pour rire, pleurer et chuchoter.
Piper est à part : un moteur de TTS neuronal rapide et local, de l’Open Home Foundation, l’organisation derrière Home Assistant. Le moteur maintenu, piper1-gpl, est sous GPL-3.0. Si vous l’intégrez, les obligations de la GPL suivent. Chaque voix a sa propre fiche et sa propre licence de données d’entraînement : vérifiez la voix, pas seulement le moteur.
Le TTS open source est-il vraiment bon ?
Assez bon pour le choisir volontairement. Les meilleurs modèles sous licence permissive obtiennent entre 1000 et 1065 sur Artificial Analysis. C’est le niveau des voix génératives d’Amazon Polly (1066) et de Chirp 3 HD de Google (1059).
Le plafond est plus haut. Breeze TTS 2 atteint 1220 et Fish Audio S2 Pro 1116, mais aucun des deux n’est autorisé pour un usage commercial. Sonic 3.6 de Cartesia obtient 1281, environ 200 points de plus que Kokoro. Sur une échelle Elo, 200 points d’écart signifient que les auditeurs préfèrent le modèle le mieux noté dans environ trois comparaisons sur quatre.
Un classement ne mesure d’ailleurs qu’une chose : l’extrait que les gens préfèrent, écouté isolément. Il ne teste pas comment un modèle lit « votre code de confirmation est Q7-4XB », s’il garde la même voix pendant un appel de dix minutes, ni le délai avant le premier son quand 200 appels démarrent en même temps. Nous avons expliqué pourquoi un seul score ne dit pas si un modèle TTS est bon. Testez vos propres scripts, dans vos langues, par le même chemin que celui qu’entendront vos utilisateurs.
Là où l’auto-hébergement coûte cher
Télécharger les poids est gratuit. Les servir à de vrais utilisateurs ne l’est pas.
Pour un agent vocal au téléphone, le modèle est la partie facile. Il vous faut aussi des GPU dimensionnés pour votre pic d’appels simultanés, un serveur de streaming qui commence la lecture avant la fin de la phrase, une normalisation du texte pour que « $1,250.00 » et « Dr. » soient lus correctement, et une reprise après panne quand un nœud tombe en plein appel. Plusieurs de ces modèles sont publiés comme du code de recherche qui génère l’extrait entier avant d’en renvoyer quoi que ce soit. En faire du streaming sous la seconde en charge réelle est un projet d’ingénierie, et c’est justement celui que la fiche du modèle ne mentionne pas.
Le jeu en vaut la chandelle dans certains cas :
- Vous devez fonctionner hors ligne, sur un appareil ou dans un environnement isolé, et votre niveau d’exigence tient dans un petit modèle.
- Votre volume est élevé, régulier et prévisible, donc vos propres GPU coûtent moins cher qu’une facturation au caractère.
- Vous construisez quelque chose pour vous-même et la licence n’a pas d’importance.
Si votre motivation est le contrôle des données plutôt que le coût, vous n’avez peut-être pas besoin de poids ouverts. Les fournisseurs hébergés, Cartesia compris, proposent des déploiements sur site et en VPC où l’audio ne quitte jamais votre réseau.
Quand choisir Cartesia
Sonic de Cartesia n’a pas de poids ouverts. C’est un modèle de synthèse vocale hébergé et en streaming, conçu pour les agents vocaux : moins de 90 ms avant le premier son, 44 langues dans un seul modèle, et clonage de voix instantané. L’offre gratuite inclut 20 000 crédits par mois, et un crédit correspond à un caractère : vous pouvez donc le tester sur vos propres scripts avant de payer quoi que ce soit. Pour les déploiements réglementés, les mêmes modèles fonctionnent sur site ou en environnement isolé, dans le cadre d’un contrat entreprise.
Notre travail open source, c’est Edge, une bibliothèque Apache 2.0 pour exécuter des modèles à espace d’états sur l’appareil. Si vous avez besoin d’une voix anglaise gratuite et hors ligne pour un projet personnel, Kokoro ou Piper est la meilleure réponse, et nous vous le dirions aussi de vive voix.