Ce qui le distingue
Deux choses le distinguent. D'abord un réglage d'intensité expressive (exaggeration) que l'on pousse ou réduit phrase par phrase. Ensuite un tatouage numérique (« watermark ») inaudible ajouté à CHAQUE audio produit, conçu pour survivre à une compression MP3 ou à un montage : c'est un parti pris de traçabilité assumé par l'éditeur, pas une option à activer.
Choix techniques
ce que ses auteurs ont décidé, et ce que ça impliqueUn transformeur de 0,5 B, mais un pipeline de 0,8 B
La communication annonce « 0,5 B ». Dans les poids épinglés, le transformeur texte→jetons que nous chargeons (t3_mtl23ls_v3) pèse effectivement 536 millions de paramètres — mais il faut y ajouter le générateur audio S3Gen (264 millions) et l'encodeur de voix (1,4 million) pour produire du son. Le dépôt embarque d'ailleurs plusieurs générations de checkpoints côte à côte.
Une base empruntée aux modèles de texte
La model card décrit un « backbone Llama » de 0,5 B et une couverture de 23 langues, dont le français.
La langue est un paramètre global
Pas de balise à insérer dans le texte : on passe language_id="fr" à l'appel. Sortie en 24 kHz.
Expressivité pilotée par type de passage
Notre adaptateur module l'exagération selon la nature du segment — 0,3 en narration, 0,9 en dialogue, 0,5 pour une réplique courte — la détection de dialogue se faisant sur la ponctuation (tirets cadratins, guillemets).
Langues couvertes
métadonnéeslanguage: de la model card23 langues, dont le français
arabe, danois, allemand, grec, anglais, espagnol, finnois, FRANÇAIS, hébreu, hindi, italien, japonais, coréen, malais, néerlandais, norvégien, polonais, portugais, russe, suédois, swahili, turc, chinois
Ce qu'on peut régler
paramètres exposés par ce modèleRelevé dans la signature du code réellement installé pour nos runs (et dans la documentation officielle quand elle précise les valeurs recommandées). Chaque modèle expose des leviers différents : c'est souvent là que se joue la différence entre un résultat correct et un bon résultat.
| paramètre | défaut | ce que ça change |
|---|---|---|
| exaggeration | 0.5 | Intensité expressive — le paramètre signature de Chatterbox, unique dans ce benchmark. La model card note qu'au-delà de 0,7 le débit s'accélère aussi. Nous le modulons par type de passage (0,3 narration / 0,9 dialogue / 0,5 réplique courte). |
| cfg_weight | 0.5 | Force du guidage. La model card conseille de le baisser vers 0,3 quand la voix de référence parle vite, ou pour compenser une exagération élevée. À 0, il neutralise le transfert d'accent depuis la référence. |
| language_id | — | Langue cible, en paramètre global (pas de balise dans le texte). Le code refuse une langue hors de la liste des 23 supportées. |
| temperature | 0.8 | Aléa du décodage — plus haut = plus varié, mais plus risqué. |
| repetition_penalty | 1.2 | Pénalise les motifs répétés (bégaiement, boucle). Une valeur inférieure à 1 inverserait l'effet : à ne jamais faire. |
| min_p / top_p | 0.05 / 1.0 | Filtrage des jetons candidats au moment du tirage (les deux stratégies cohabitent dans l'API). |
Ce qu'on mesure sur ce modèle
nos runs, pas les chiffres de l'éditeurÀ l'oreilletest d'écoute en aveugle
Détail complet : table de toutes les métriques · résultats du test d'écoute.
Réglages de génération utilisés
relevés dans les métadonnées de nos runsCes valeurs sont celles réellement passées au modèle pour produire les audios mesurés — pas des réglages recommandés recopiés d'une documentation. Elles sont écrites par l'adaptateur dans le meta.json de chaque run.
À savoir avant de l'utiliser
pièges, limites, nuances de licence- Le paquet PyPI officiel ne sait charger que le checkpoint de génération précédente (v2). Pour faire tourner le v3, on installe le code GitHub épinglé par-dessus les dépendances PyPI.
- Dépendance piège : le composant de watermarking importe
pkg_resources, retiré desetuptools≥ 81 — d'où unsetuptools<80épinglé, sans quoi le chargement échoue. - Observé lors de nos premiers essais : le détecteur d'alignement interne a forcé la fin de génération sur 5 essais sur 6 (« répétition de jeton détectée »). C'est exactement le type d'arrêt prématuré que notre scoring de fidélité est là pour objectiver.
Sources & vérification
vérifié le 2026-09-12Les comptes de paramètres cités plus haut sont lus directement dans les fichiers de poids de la révision épinglée ci-dessous (en-têtes safetensors / torch), pas repris d'une annonce. Les caractéristiques annoncées proviennent de la model card officielle, liée ici. Les chiffres de performance viennent de nos propres runs.