Ce qui le distingue
Il ne joue pas dans la même catégorie que les autres : il ne clone pas de voix, il choisit dans une banque de voix pré-entraînées. C'est un choix d'ingénierie radicalement différent, qui lui donne une vitesse sans équivalent ici (facteur temps réel mesuré à 0,02) mais le rend incomparable aux modèles de clonage sur la similarité de timbre.
Choix techniques
ce que ses auteurs ont décidé, et ce que ça impliqueUne architecture d'avant l'ère des gros modèles
La model card décrit une architecture StyleTTS 2 + ISTFTNet, « decoder only : pas de diffusion ». On est loin des modèles de langue géants du reste du benchmark — et ça se voit sur la consommation mémoire.
82 millions de paramètres, plus une voix = un petit fichier
Mesuré dans les poids épinglés : 81,8 millions de paramètres pour le modèle, et environ 0,1 million par voix (54 voix livrées, dont la voix française ff_siwis utilisée dans nos runs). Changer de voix, c'est changer un vecteur, pas un modèle.
Phonétisation externe
Le texte passe par un convertisseur graphème→phonème séparé (misaki / espeak-ng) avant d'atteindre le modèle : la prononciation dépend donc autant de cet outil que du modèle lui-même.
Langues couvertes
fichiersvoices/*.pt du snapshot épinglé8 langues — mais une seule voix française livrée
Comptées dans le paquet de voix de la révision épinglée : anglais américain (20 voix), anglais britannique (8), chinois (8), japonais (5), hindi (4), portugais (3), espagnol (3), italien (2) et FRANÇAIS — avec exactement une voix, ff_siwis, celle utilisée dans nos runs. Le choix est donc très contraint en français.
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 |
|---|---|---|
| voice | — | LE paramètre central : on choisit une voix dans la banque livrée au lieu d'en cloner une. C'est un vecteur de style chargé depuis un petit fichier, pas un modèle différent. |
| lang_code | — | Code de langue (première lettre du nom de voix : f = français) — il détermine surtout le convertisseur graphème→phonème utilisé en amont. |
| speed | 1 | Facteur de vitesse d'élocution ; accepte aussi une fonction pour varier la vitesse segment par segment. |
| split_pattern | "\\n+" | Expression régulière de découpage du texte en segments avant synthèse. |
Ce qu'on mesure sur ce modèle
nos runs, pas les chiffres de l'éditeurDétail 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- Pas de clonage ⇒ pas de score de similarité comparable aux autres, et exclusion du test d'écoute (qui compare toujours deux modèles clonant la même voix). Son statut dans
models.lockestretire_benchmark. - La model card revendique un entraînement exclusivement sur des données audio libres de droits, ce qui est rare et vaut d'être signalé.
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.