12 novembre 2026 · Équipe VRAMfarm

Synthèse vocale sur votre propre GPU : Qwen3-TTS, VoxCPM2 et clonage de voix avec Chatterbox

Une formation de 40 minutes a besoin d’une voix off, en anglais et en allemand, pour vendredi. Sur une carte de 12 Go louée, avec un modèle de voix open source, l’enregistrement prend un après-midi et environ 0,18 € de temps GPU sur une RTX 3060. La synthèse vocale fait partie des rares tâches d’IA pour lesquelles les cartes les moins chères du catalogue suffisent : les modèles sont petits, et le plus difficile, c’est votre script et votre oreille.

Nous proposons trois applications vocales prêtes à l’emploi, gratuites ; vous ne payez que le temps GPU, à partir de 0,12 € de l’heure sur une RTX 3060. Chacune excelle dans un domaine différent.

Trois applications, trois usages

Qwen3-TTS est la plus simple : choisissez l’une des voix intégrées, collez le texte et ajoutez si vous le souhaitez une consigne comme « joyeux, un peu plus rapide ». Idéale pour les notifications, les vidéos explicatives et tout ce qui se contente d’une voix de stock cohérente. La famille Qwen3-TTS comprend aussi un modèle de clonage distinct, que vous pouvez installer vous-même sur un serveur vide.

VoxCPM2 est la plus vivante des trois : les pauses, les questions et les exclamations sortent comme une personne les lirait. Utilisez-la pour les livres audio, les podcasts et les longues narrations. Elle peut créer une voix à partir d’une description, ou en copier une à partir d’un court extrait si vous lui donnez aussi sa transcription.

Chatterbox est celle du clonage : envoyez un enregistrement propre de quelques secondes, et elle lit n’importe quel texte avec cette voix, dans 23 langues. Elle dispose aussi d’un réglage « exaggeration » qui rend le débit plus neutre ou plus expressif.

Les trois s’ouvrent dans votre navigateur. La page de la synthèse vocale propose des extraits du même texte dans chacune : c’est le moyen le plus rapide de choisir.

La VRAM et la carte à louer

Ce sont de petits modèles, quelques gigaoctets de poids chacun (environ 5 Go pour VoxCPM2). À l’usage, ils occupent environ 6 à 8 Go de VRAM : une carte de 12 Go offre assez de place, et nos applications demandent 12 Go. La RTX 3060 est la moins chère qui convient ; une RTX 3080 de 10 Go est trop juste pour nos applications.

Une carte plus rapide aide, mais moins qu’on pourrait le croire. Les modèles vocaux génèrent l’audio morceau par morceau : une carte deux ou trois fois plus puissante en calcul brut renvoie chaque phrase plus vite, sans la rendre proportionnellement moins chère. Règle approximative :

• RTX 3060 (12 Go) : très bien pour une voix off que vous écoutez phrase par phrase.
• RTX 4090 ou RTX 5090 : intéressantes quand vous enregistrez des heures de texte en lot, ou quand attendre 20 secondes par paragraphe vous ralentit.
• Toute carte de 48 Go ou plus : aucun intérêt pour ces modèles. Vous payez une mémoire qui reste vide.

Vitesse et coût par heure de narration

Sur une carte de 12 Go, deux ou trois phrases prennent entre 10 et 30 secondes avec Qwen3-TTS, et une seule phrase 5 à 20 secondes avec Chatterbox, selon la longueur. Cela donne environ 1 à 2,5 secondes de temps GPU par seconde de parole sur une RTX 3060, et environ 0,4 à 1 seconde sur une RTX 4090. Ce sont des fourchettes approximatives pour planifier, pas des benchmarks : la longueur du texte, les réglages et la version du modèle les font varier, et la première phrase d’une session est toujours plus lente, le temps que le modèle se charge.

Pour une heure de narration finie (environ 9 000 mots, au milieu de chaque fourchette) :

Ajoutez les minutes passées à écouter et à refaire des phrases, généralement 10 à 20 % du total, et quelques minutes au départ pendant que l’application installe ses paquets et télécharge les poids. Ces minutes d’installation sont facturées, tout comme le trafic du téléchargement, au tarif de la machine. Même avec les reprises et l’installation, une heure de narration sur une RTX 3060 revient à environ 0,26 €. Le guide de la facturation explique le minimum de 15 minutes par lancement et pourquoi il vaut mieux tout enregistrer en une seule session.

Cloner une voix : c’est l’enregistrement qui décide du résultat

Avec Chatterbox (ou VoxCPM2), la qualité du clone dépend bien plus de l’extrait que de la carte.

• Durée : 5 à 10 secondes de parole continue. Un extrait plus long n’aide que s’il reste propre.
• Propreté : une seule voix, pas de musique, pas d’écho de la pièce, pas d’artefacts de réduction de bruit. Un téléphone tenu près de la bouche dans une pièce meublée vaut mieux qu’un bon micro dans une cuisine vide.
• Le bon ton : le clone copie aussi la diction. Lisez l’extrait comme vous voulez que la narration sonne : calme pour une formation, vivant pour une publicité.
• La bonne langue : un extrait dans la langue cible donne le meilleur accent. Dans Chatterbox, si l’extrait est dans une autre langue, un réglage de guidage du modèle (CFG weight) à 0 ou presque réduit l’accent transmis.
• Pour VoxCPM2 : saisissez les mots exacts de l’extrait dans le champ de transcription. Une transcription erronée dégrade le clone.

Si la voix paraît précipitée, baissez un peu le CFG weight de Chatterbox ; si elle paraît monotone, augmentez l’exaggeration. Ne changez qu’un réglage à la fois et gardez la seed fixe pendant vos comparaisons.

De longs textes sans y perdre la raison

Les applications sont faites pour des paragraphes, pas pour des livres entiers d’un seul coup. Une méthode qui tient la route :

1. Découpez le script en paragraphes de deux à cinq phrases. Refaire un paragraphe va plus vite que refaire un chapitre.
2. Écrivez les nombres, les dates et les abréviations en toutes lettres. « Dix mille euros » et « le douze mars » sortent correctement ; « 10 000 € » et « 12/03 », pas toujours.
3. Dirigez avec la ponctuation. Les virgules donnent de courtes pauses, les points des pauses plus longues, les points d’interrogation font monter la fin de la phrase.
4. Numérotez vos fichiers (01.wav, 02.wav) au fur et à mesure que vous les téléchargez depuis le lecteur.
5. Assemblez-les ensuite dans Audacity, dans votre logiciel de montage vidéo ou avec ffmpeg.

Pour un long lot, le lien « Use via API » en bas de chaque application montre comment l’appeler depuis un script avec le gradio_client de Python, un paragraphe par appel. Un script de 9 000 mots devient ainsi une boucle que vous lancez et dont vous revenez voir le résultat.

Téléchargez chaque clip dès qu’il est produit. Les applications gardent l’audio généré dans des fichiers temporaires en dehors de /workspace : il n’est donc pas dans le dossier enregistré et disparaît à l’arrêt du serveur. Votre enregistrement de référence et vos scripts peuvent rester dans /workspace et survivre à Enregistrer et arrêter ; les poids du modèle sont retéléchargés au lancement suivant. Voir ce que deviennent vos fichiers quand vous arrêtez un GPU.

À qui appartient la voix ? Consentement et AI Act européen

Cloner une voix est aujourd’hui techniquement trivial, et c’est précisément pour cela que les règles comptent. Il s’agit d’informations générales, pas d’un conseil juridique ; pour un projet commercial avec la voix de quelqu’un d’autre, consultez un avocat dans votre pays.

• Votre propre voix : vous pouvez la cloner et l’utiliser sans problème.
• La voix de quelqu’un d’autre : uniquement avec son autorisation claire, idéalement écrite, précisant l’usage et la durée. Cela vaut pour les amis, les collègues et les comédiens de doublage. Beaucoup de contrats de comédiens mentionnent désormais explicitement le clonage par IA ; vérifiez avant de présumer.
• Personnalités publiques et personnes décédées : abstenez-vous. Imiter la voix d’une personne réelle sans son consentement peut enfreindre les droits de la personnalité, le droit à l’image ou des droits similaires dans de nombreux pays, et dans certains, c’est une infraction pénale lorsque cela sert à tromper.
• L’enregistrement est une donnée personnelle. Un extrait de voix d’une personne identifiable relève du RGPD, et une voix utilisée pour reconnaître quelqu’un compte comme une donnée biométrique. Ne gardez l’extrait que le temps nécessaire.

L’AI Act européen ajoute des obligations de transparence à l’article 50, applicables à partir d’août 2026 ; certains détails et périodes de transition étaient encore en cours d’ajustement en 2026 : vérifiez donc la situation actuelle avant une sortie commerciale. Dans les grandes lignes : les systèmes qui génèrent de l’audio synthétique doivent le signaler comme produit par une machine, et si vous publiez un audio qui imite une personne réelle au point de pouvoir passer pour authentique, vous devez indiquer qu’il est artificiel. Des règles plus légères s’appliquent aux œuvres clairement artistiques ou satiriques. Les obligations qui vous concernent dépendent de votre rôle et de l’usage. Une habitude simple couvre la plupart des cas : indiquez dans le générique ou la description que la voix est générée par IA.

Chatterbox ajoute le filigrane inaudible de Resemble AI à chaque fichier qu’il produit, lisible par des outils de détection. À notre connaissance, Qwen3-TTS et VoxCPM2 n’en ajoutent pas par défaut : la mention vous revient donc.

Avez-vous besoin de votre propre GPU pour cela ?

Honnêtement, pas toujours. Pour quelques phrases par semaine, un service de synthèse vocale en ligne ou un petit modèle sur le CPU de votre ordinateur portable demande moins d’efforts, et certains services commerciaux ont des voix de stock plus abouties dans certaines langues. Un GPU loué est plus avantageux quand vous narrez des heures de texte, que vous avez besoin de plusieurs langues avec une seule voix, que vous voulez une voix clonée qui ne quitte jamais une machine que vous contrôlez, ou que vous ne voulez pas d’une facture au caractère. Lancez une RTX 3060 avec l’application qui convient, enregistrez le premier paragraphe, et vous saurez en 15 minutes si le rendu vous convient.