Ce qui le distingue
Pendant longtemps, c'était LE modèle de clonage multilingue accessible : six secondes de référence suffisaient, avec transfert d'émotion et clonage d'une langue à l'autre. Deux choses l'écartent aujourd'hui : sa licence (Coqui Public Model License, non commerciale) et la fermeture de Coqui, qui laisse le modèle sans maintenance amont.
Choix techniques
ce que ses auteurs ont décidé, et ce que ça impliqueClonage à partir d'un extrait très court
La model card annonce un clonage à partir de 6 secondes d'audio, 17 langues dont le français, le transfert d'émotion et de style par clonage, et une sortie en 24 kHz.
Un checkpoint monolithique
Le dépôt livre un checkpoint principal d'environ 1,87 Go, un DVAE de 52,6 millions de paramètres et une banque de locuteurs pré-calculés. Le checkpoint principal n'est pas un fichier safetensors : nous n'en donnons donc pas de compte de paramètres, faute d'avoir pu le vérifier proprement.
Langues couvertes
liste explicite de la model card officielle17 langues, dont le français
anglais, espagnol, FRANÇAIS, allemand, italien, portugais, polonais, turc, russe, néerlandais, tchèque, arabe, chinois, japonais, hongrois, coréen, hindi
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 |
|---|---|---|
| speaker_wav | — | Extrait de référence à cloner (6 secondes suffisent d'après la card). L'API accepte plusieurs extraits pour une même voix, et sait interpoler entre locuteurs. |
| language | — | Langue cible. Le clonage étant cross-lingue, on peut faire parler une voix française en anglais, et réciproquement. |
| speaker | — | Alternative au clonage : choisir une voix dans la banque de locuteurs pré-calculés livrée avec le modèle. |
| split_sentences | True | Découpage automatique du texte en phrases avant synthèse. |
| emotion | — | Exposé par l'API Coqui, mais sans effet documenté sur XTTS-v2 : le transfert d'émotion s'y fait par le choix de l'extrait de référence. |
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- Licence CPML : usage commercial exclu. Dans ce benchmark il sert de plafond de qualité pour comparaison, jamais de candidat produit.
- Coqui a fermé : aucune correction ni mise à jour à attendre en amont.
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.
Note de licence : Coqui Public Model License — non commercial. Coqui a fermé.