Automne 2026 · Depuis la base de la Tranquillité
Entrer dans le studio lunaire ↗
Développement de jeux

Voix IA gratuite en jeu : Kokoro, Chatterbox, TTS open source

Voix IA gratuite, usage commercial autorisé : Kokoro et Chatterbox sur CPU, synthèse vocale open source, clonage et tests en français.

Dans le bar d'une base lunaire, un portable émet des ondes sonores orange vers un robot barman qui essuie un verre ; un astronaute, casque sur les oreilles et assis sur un tabouret, lève le pouce
Dans le bar d'une base lunaire, un portable émet des ondes sonores orange vers un robot barman qui essuie un verre ; un astronaute, casque sur les oreilles et assis sur un tabouret, lève le pouce

La page d'accueil de ce site est une base lunaire. En ouvrant terryl.in, on arrive dans un mini-jeu 3D réalisé avec Three.js : on dirige un astronaute qui se promène dans la base, enfile sa combinaison, passe par le sas pour sortir sur le sol lunaire ou va commander un cocktail au bar. Le blog « Journal de la base lunaire » raconte la construction de cette base, étape par étape.

Au bar, il y a un robot barman : Arthur. C'est un clin d'œil à Arthur, le barman androïde du film Passengers (2016). Comme lui, il est doux, d'une politesse extrême, et parle sans aucune expression. Quelques-unes de ses répliques sont adaptées du film ; ceux qui l'ont vu les reconnaîtront. Demandez-lui pourquoi il essuie sans arrêt le même verre, il vous répondra : « Si je n'essuyais pas le verre, je devrais faire la conversation. » Le problème, c'est que pour l'instant ces répliques ne sont que du texte dans une bulle de dialogue.

Dans l'article précédent, j'ai créé les bruitages de la base lunaire avec Stable Audio 3 Small SFX. Cette fois, place aux voix. Jusqu'ici, pour doubler les personnages d'un jeu, il fallait engager des comédiens de doublage ou passer par un service cloud de synthèse vocale par IA facturé au caractère, comme ElevenLabs. Il existe aujourd'hui plusieurs modèles TTS (text-to-speech, synthèse vocale) open source, gratuits et utilisables commercialement : on les télécharge sur sa machine, on ne paie rien à l'usage, et ils constituent une alternative gratuite à ElevenLabs.

Cet article compare les modèles TTS open source qui valent le plus le coup aujourd'hui. J'ai installé Kokoro TTS et Chatterbox TTS sur un portable sans carte graphique, j'ai fait parler Arthur en anglais et en français, et j'ai testé le clonage de voix gratuit pour que le personnage garde le même timbre d'une réplique à l'autre.

Quel générateur de voix IA open source choisir ? Comparatif des modèles utilisables commercialement

Commençons par les résultats. Voici ceux que j'ai retenus après avoir vérifié les licences, tous utilisables commercialement :

Modèle

Paramètres

Licence

Clonage de voix

Langues

Matériel

Kokoro-82M

82 millions

Apache 2.0

Non, 54 voix intégrées

8, dont le français (une seule voix)

Tourne sur CPU

Chatterbox-Nano

110 millions

MIT

Oui

Anglais uniquement

Tourne sur CPU

Chatterbox-Turbo

350 millions

MIT

Oui

Anglais uniquement

CPU possible, plus lent

Chatterbox (original, Multilingual V3, version chinoise)

500 millions

MIT

Oui

Multilingual V3 : 23, dont le français

CPU possible, très lent

Step Audio EditX

environ 3 milliards

Apache 2.0

Oui

Très bon en chinois

Carte NVIDIA obligatoire

Qwen3-TTS (0.6B, 1.7B)

600 millions, 1,7 milliard

Apache 2.0

Oui, 3 s de voix de référence

10, dont le français

Le 0.6B tourne sur CPU, clonage très lent

En résumé :

  • Rapide, léger, sur un simple portable : Kokoro.
  • Cloner une voix pour qu'un personnage garde toujours la même : Chatterbox. Nano pour l'anglais, Multilingual V3 pour le français.
  • Une carte NVIDIA sous la main : Qwen3-TTS, qui permet de « concevoir » une voix à partir d'une description et de contrôler l'émotion par des instructions.
  • Une grosse carte graphique et la meilleure qualité possible : Step Audio EditX.

Step Audio EditX exige une carte NVIDIA, que mon portable n'a pas : je ne l'ai donc pas testé. Pour Qwen3-TTS, j'ai essayé le plus petit modèle, le 0.6B, qui tourne sur CPU ; les résultats sont plus bas.

Cet article est une vue d'ensemble. Chaque modèle aura ensuite son propre article : Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX, et aussi VoiceStudio.

Dans les classements à l'aveugle notés par des humains (comme Speech Arena), les premières places restent occupées par des services propriétaires comme ElevenLabs ; aucun modèle open source n'est encore dans le top 10. Mais un jeu n'a pas toujours besoin de la meilleure qualité audio. Répliques de PNJ, narration IA pour un tutoriel, voix temporaires pendant le développement : un modèle open source suffit largement.

Une autre option : Qwen3-TTS

Qwen3-TTS est une famille de modèles TTS publiée en open source en janvier 2026 par l'équipe Qwen (Tongyi Qianwen) d'Alibaba, sous licence Apache 2.0, donc utilisable commercialement. Elle existe en deux tailles, 0.6B et 1.7B, chacune déclinée en plusieurs versions :

  • Base : clonage de voix, avec seulement 3 secondes de voix de référence.
  • CustomVoice : 9 voix intégrées, dont des voix masculines à l'accent de Pékin et du Sichuan ; la version 1.7B accepte aussi des instructions de ton, par exemple « dis-le sur un ton très en colère ».
  • VoiceDesign (1.7B) : on décrit la voix par écrit, par exemple « garçon de 17 ans, ténor, qui prend de plus en plus d'assurance en parlant ».

Il gère 10 langues : chinois, anglais, japonais, coréen, allemand, français, russe, portugais, espagnol et italien. Selon l'évaluation officielle, il bat ElevenLabs en précision de prononciation et en similarité de voix pour le chinois, mais ce sont des tests réalisés par l'éditeur lui-même.

Pour doubler un jeu, la méthode la plus pratique est de concevoir la voix, puis de la cloner : on décrit la voix du personnage à VoiceDesign, on génère une réplique qui servira de référence, puis on clone cette voix avec Base pour toutes les autres répliques afin de garder un timbre cohérent. C'est très proche de ce que je fais dans cet article avec Kokoro et Chatterbox.

L'installation se fait avec pip install -U qwen-tts. Les exemples officiels tournent tous sur carte NVIDIA en bfloat16 avec FlashAttention 2 ; la documentation ne précise ni la mémoire vidéo nécessaire, ni si le CPU seul est possible.

J'ai testé le 0.6B sur CPU, sur le même portable :

  • Voix intégrée (CustomVoice) : environ 31 secondes pour générer une réplique d'environ 6 secondes.
  • Clonage de voix (Base) : plus de 4 minutes pour une réplique de 4 à 5 secondes, soit trois fois le temps nécessaire à la version de Chatterbox affinée pour le chinois.

Comme avec tout modèle TTS, les noms propres, les mots d'origine étrangère et les mots dont la prononciation dépend du contexte méritent une écoute attentive avant d'être utilisés.

Sans carte graphique, mieux vaut s'en tenir aux voix intégrées de Qwen3-TTS ; pour produire un grand nombre de répliques par clonage, une carte NVIDIA reste nécessaire.

Open source en apparence, mais pas utilisable commercialement

Le piège le plus courant au moment de choisir un modèle, c'est la licence. Des poids publiés sur Hugging Face ne veulent pas dire qu'on peut s'en servir pour gagner de l'argent :

  • Coqui XTTS v2 : multilingue, capable de cloner des voix, très populaire à une époque, mais sous Coqui Public Model License, réservée à un usage non commercial.
  • Fish Audio S2 Pro : poids publics, mais l'usage commercial exige une licence achetée auprès de Fish Audio.
  • Certains modèles de recherche : sous licence CC BY-NC (NC signifie usage non commercial uniquement).

Avant de télécharger quoi que ce soit, regardez le champ License sur la page du modèle et lisez le texte complet.

Kokoro TTS, c'est quoi ? Parle-t-il français ? Usage commercial autorisé ?

Kokoro-82M est un modèle TTS de seulement 82 millions de paramètres, dont la version 1.0 est sortie en janvier 2025. Il est assez petit pour tourner sur CPU, et pourtant sa qualité audio est parmi les meilleures de sa catégorie ; beaucoup d'API commerciales et de projets l'utilisent.

  • Licence : Apache 2.0, utilisable commercialement, y compris intégré à vos propres produits.
  • Données d'entraînement : selon la documentation officielle, uniquement des enregistrements du domaine public, des enregistrements sous licence Apache ou MIT, et de la voix synthétique produite par des TTS propriétaires de grands éditeurs ; aucune voix clonée à partir de la voix de quelqu'un d'autre.
  • Voix : 54 voix intégrées, 8 langues : anglais (américain et britannique), japonais, chinois, espagnol, français, hindi, italien et portugais du Brésil.
  • Limites : pas de clonage de voix, on choisit parmi les voix intégrées. En français, il n'y a qu'une seule voix, ff_siwis, une voix féminine.

Pour la voix anglaise d'Arthur, j'ai choisi bm_george. En français, Kokoro n'offre que ff_siwis : Arthur y prend donc une voix de femme (exemples plus bas).

Attention : la documentation officielle prévient que les sites dont le nom de domaine contient « kokoro » n'ont rien à voir avec ce modèle. N'y payez rien et n'y téléchargez rien.

Chatterbox TTS, c'est quoi ? Parle-t-il français ? Usage commercial autorisé ?

Chatterbox est une famille de modèles TTS publiée en open source par Resemble AI, une entreprise spécialisée dans la voix. Son point fort est le clonage de voix : donnez-lui 5 à 10 secondes de voix, et il lit de nouvelles répliques avec ce timbre. La version originale permet de régler l'intensité de l'émotion, et la version Turbo accepte dans le texte des balises comme [laugh], [chuckle] ou [cough] pour ajouter des rires ou une toux.

  • Licence : MIT, utilisable commercialement.
  • Filigrane : chaque son généré contient le filigrane Perth de Resemble. Il est inaudible, mais il survit à la conversion en mp3 et au montage, ce qui permet aux outils de détection d'identifier une voix générée par IA.
  • Maintenance arrêtée : en août 2026, Resemble AI a annoncé que Chatterbox était un « projet de recherche terminé ». Il n'y aura plus de mises à jour, l'entreprise se consacre désormais à la détection de deepfakes. Le code et les poids restent disponibles sous licence MIT : on peut toujours les télécharger et les utiliser commercialement, mais il n'y aura ni nouvelle version ni support.

Ce dernier point illustre justement l'intérêt de l'open source : une fois les poids sur votre machine, l'arrêt du service ne vous concerne plus. Si un service de voix dans le cloud augmente ses prix ou ferme, vous ne pouvez plus modifier les voix de votre jeu ; un modèle open source stocké sur votre disque vous permettra encore, dans dix ans, d'ajouter des répliques avec la même voix.

Chatterbox existe en plusieurs versions, faciles à confondre au début :

Version

Paramètres

Langues

Particularités

Chatterbox (original)

500 millions

Anglais

Intensité de l'émotion réglable (exaggeration)

Multilingual V3

500 millions

23, dont le français

Un seul modèle pour plusieurs langues

Version affinée chinoise (zh-cmn)

500 millions

Chinois

Ajustée spécialement pour le chinois

Turbo

350 millions

Anglais

Plus rapide, balises de rire et de toux, voix de référence obligatoire

Nano

110 millions

Anglais

Le plus petit et le plus rapide ; d'après l'éditeur, une génération 3 fois plus rapide que le temps réel sur un CPU à 8 cœurs

Configuration requise : ça tourne sans carte graphique ?

Mon portable a un Intel Core Ultra 5 (6 cœurs) et seulement une puce graphique intégrée, donc en pratique tout tourne sur le CPU. Voici les temps de génération mesurés, pour des répliques de 4 à 6 secondes, chargement du modèle compris à chaque fois :

Modèle

Temps par réplique

Kokoro (anglais)

environ 9 s

Kokoro (chinois)

environ 13 s

Chatterbox-Nano (clonage)

environ 15 à 20 s

Chatterbox-Turbo (clonage)

environ 40 s

Chatterbox original

environ 60 s

Chatterbox version chinoise (clonage)

environ 80 s

Qwen3-TTS 0.6B (voix intégrée)

environ 31 s

Qwen3-TTS 0.6B (clonage)

environ 4 min

Kokoro et Chatterbox Nano sont très pratiques sur portable : on modifie une réplique, on l'écoute, une dizaine de secondes suffisent. Les versions de Chatterbox à 500 millions de paramètres demandent une à deux minutes par réplique sur CPU : mieux vaut préparer tout un lot et le laisser tourner en arrière-plan. Avec une carte NVIDIA, tout va beaucoup plus vite.

Côté disque, l'environnement Python de chaque outil (PyTorch version CPU compris) occupe environ 1,5 Go. Les modèles se téléchargent à part : ceux de Kokoro sont minuscules, chaque version de Chatterbox pèse entre 1 et 3 Go.

Installer Kokoro TTS (version CPU, avec le français)

Je conseille de créer un environnement Python séparé avec uv plutôt que d'installer dans le Python du système. Kokoro fonctionne avec Python 3.10 à 3.12 :

mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfile

Pour les langues autres que l'anglais, la prononciation est gérée par espeak-ng, déjà inclus : rien d'autre à installer pour le français.

Générer une phrase en français :

import numpy as np, soundfile as sf
from kokoro import KPipeline

pipe = KPipeline(lang_code="f")  # f français, a anglais américain, b anglais britannique, j japonais
audio = np.concatenate([np.asarray(r.audio) for r in pipe("Un barman garde les confidences.", voice="ff_siwis")])
sf.write("arthur.wav", audio, 24000)

Dans le nom d'une voix, la première lettre indique la langue et la deuxième le genre : ff_siwis est une voix féminine française, bf_emma une voix féminine en anglais britannique. La liste complète se trouve dans le fichier officiel VOICES.md. Au premier lancement, le modèle se télécharge automatiquement depuis Hugging Face.

Installer Chatterbox TTS : prenez la version GitHub, pas l'ancienne de PyPI

C'est le plus gros piège dans lequel je suis tombé. Beaucoup de tutoriels disent de lancer pip install chatterbox-tts, ce qui installe la version 0.1.7 de PyPI, dont le modèle multilingue est l'ancienne V2. Je lui ai fait lire une réplique d'Arthur en chinois : il l'a terminée en un peu plus de 3 secondes, puis a ajouté plus de dix secondes de silences et de bruits bizarres.

Seule la dernière version sur GitHub contient Multilingual V3, Nano et la version affinée pour le chinois. Il faut donc installer directement depuis GitHub :

mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"

Le setuptools<81 à la fin est indispensable. Le paquet de filigrane Perth utilise encore l'ancien pkg_resources, que les versions récentes de setuptools ont supprimé. Sans fixer la version, ça plante dès le lancement.

Cloner une voix avec Nano :

import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)

arthur-ref.wav est la voix de référence à cloner. Les fichiers de la version affinée pour le chinois ont un format un peu différent de ceux du programme principal, il faut retoucher le code qui les charge. Ce genre de détail fastidieux, c'est parfait pour Claude Code ou Codex.

Confier l'installation à Claude Code ou Codex

Si vous ne voulez pas gérer vous-même les problèmes de versions, ouvrez Claude Code ou Codex dans le terminal et tapez :

Installe Kokoro-82M et Chatterbox dans ~/tools (Chatterbox depuis GitHub, dernière version, avec Nano et Multilingual V3), avec PyTorch version CPU, et crée pour chacun une commande utilisable depuis n'importe quel dossier

C'est comme ça que je les ai installés. La version PyPI trop ancienne, l'incompatibilité de setuptools, l'échec de chargement de la version chinoise : l'assistant IA a trouvé la cause et corrigé chaque problème tout seul. Installer dans ~/tools a un avantage : tous les projets peuvent s'en servir, inutile de tout réinstaller pour chaque jeu.

Le clonage de voix par IA, c'est quoi ? La méthode gratuite et open source

Le clonage de voix (voice cloning), c'est donner au modèle un extrait de la voix de quelqu'un pour qu'il lise de nouvelles répliques avec ce timbre. Avec Chatterbox, c'est gratuit et simple : une voix de référence, plus le texte à lire. La qualité de la référence détermine le résultat :

  • 5 à 10 secondes : en dessous de 5 secondes, on obtient directement un message d'erreur.
  • Une seule personne qui parle, sans musique ni bruit de fond.
  • Un ton adapté au personnage : le modèle apprend aussi le débit et l'émotion. Pour un personnage qui parle lentement et d'un ton monocorde, la référence doit présenter les mêmes caractéristiques.
  • Idéalement dans la même langue que le texte : une référence en anglais pour un texte dans une autre langue donne un léger accent anglais. Pour ce cas, l'éditeur recommande de régler cfg_weight à 0 dans Chatterbox Multilingual V3.

L'origine de la voix compte. Un modèle utilisable commercialement ne vous autorise pas à copier la voix de n'importe qui :

  • Votre propre voix : aucun problème.
  • Un comédien ou un ami : il faut son accord avant de l'utiliser dans le jeu, de préférence par écrit.
  • La voix d'un personnage de film ou de jeu, ou d'une célébrité : non. Même une simple ressemblance pose des problèmes de droit à l'image et de droits de la personnalité.

J'utilise aussi une autre méthode : générer d'abord une réplique avec Kokoro, qui devient la voix originale du personnage. Kokoro étant sous licence Apache 2.0, les voix qu'il génère sont libres d'utilisation. On « conçoit » ainsi la voix du personnage, puis on laisse Chatterbox lire les autres répliques et y ajouter de l'émotion.

Test : doubler Arthur, le robot barman

Pour la voix anglaise d'Arthur, j'ai choisi bm_george dans Kokoro : son accent britannique posé évoque un robot majordome bien élevé. J'ai ralenti le débit à 0,95.

Dans le film, Arthur est joué par Michael Sheen, mais je n'ai volontairement pas imité sa voix. Le doublage utilise une voix intégrée de Kokoro, et le clonage part d'une voix générée par Kokoro : c'est ce que je voulais dire plus haut en insistant sur l'origine de la voix.

Tous les extraits ci-dessous sortent directement des modèles ; j'ai seulement coupé les silences au début et à la fin et harmonisé le volume.

Kokoro : les voix intégrées telles quelles

Kokoro bm_george : « If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward. »
Kokoro bm_george : « A bartender keeps confidence. It's the sacred trust of the craft. »

Chatterbox : cloner la voix de Kokoro

La voix de référence est la première réplique de bm_george ci-dessus (environ 6 secondes).

Chatterbox-Nano, clone de bm_george : « You can't get so hung up on where you'd rather be that you forget to make the most of where you are. »
Chatterbox-Nano, clone de bm_george : « A bartender keeps confidence. It's the sacred trust of the craft. »

À comparer avec une voix intégrée de Chatterbox original, sans clonage, intensité de l'émotion baissée à 0,3 :

Voix intégrée de Chatterbox original : « If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward. »

Quelques observations :

  • Kokoro donne toujours le même résultat : même réplique, même voix, le résultat est identique à chaque génération, pas besoin de trier. Pour un autre rendu, changez de voix ou de débit.
  • Chatterbox donne un résultat différent à chaque fois : en changeant de seed, la même réplique prend un autre ton et un autre rythme. Il faut donc générer plusieurs versions et choisir.
  • Le clonage garde la voix cohérente : avec une seule réplique de référence, toutes les répliques clonées ont le timbre du même personnage, sans avoir à choisir une nouvelle voix.
  • Les versions clonées parlent plus vite : pour le même texte, la version clonée par Nano est 10 à 20 % plus courte que l'original de Kokoro. Pour ralentir le débit, prenez comme référence un enregistrement plus lent.

Synthèse vocale en français : les tests

Voici maintenant les deux mêmes répliques d'Arthur, traduites en français, lues par les trois modèles qui gèrent le français :

  • Kokoro : ff_siwis, la seule voix française de Kokoro (une voix féminine).
  • Chatterbox Multilingual V3 : clone de la voix anglaise bm_george, avec cfg_weight à 0. C'est le réglage recommandé par l'éditeur quand la voix de référence et le texte ne sont pas dans la même langue ; il évite de faire ressortir l'accent anglais.
  • Qwen3-TTS 0.6B : la voix intégrée Ryan.
Kokoro (ff_siwis) : « Si je n'essuyais pas le verre, je devrais faire la conversation. Et alors les clients se sentent mal à l'aise. »
Kokoro (ff_siwis) : « Un barman garde les confidences. C'est la confiance sacrée du métier. »
Chatterbox Multilingual V3 (clone de bm_george) : « Si je n'essuyais pas le verre, je devrais faire la conversation. Et alors les clients se sentent mal à l'aise. »
Chatterbox Multilingual V3 (clone de bm_george) : « Un barman garde les confidences. C'est la confiance sacrée du métier. »
Qwen3-TTS 0.6B (Ryan) : « Si je n'essuyais pas le verre, je devrais faire la conversation. Et alors les clients se sentent mal à l'aise. »
Qwen3-TTS 0.6B (Ryan) : « Un barman garde les confidences. C'est la confiance sacrée du métier. »

Comment j'ai vérifié : chaque extrait a été retranscrit par Whisper (reconnaissance vocale), puis comparé au texte d'origine. Pour le français, je n'ai trouvé aucune erreur de lecture.

Côté vitesse, avec le modèle chargé une seule fois et des générations enchaînées sur le même portable sans carte graphique : environ 30 secondes par réplique pour Chatterbox Multilingual V3, 20 à 30 secondes pour Qwen3-TTS 0.6B, et quelques secondes pour Kokoro.

Comment écrire le « prompt » d'une voix IA ? Confiez-le à Claude Code ou Codex

En TTS, on donne au modèle la réplique elle-même, pas un prompt qui décrit le son voulu comme pour la génération de bruitages. En revanche, le choix de la voix, le clonage et la vérification suivent toujours le même processus, qui se prête très bien aux réglages globaux d'un assistant de code IA. Pour Claude Code, le fichier est ~/.claude/CLAUDE.md ; pour Codex, ~/.codex/AGENTS.md. Ensuite, il suffit de dire « double ces trois répliques d'Arthur » pour qu'il applique ces règles :

## Doubler les personnages du jeu avec le TTS local

Quand je demande un doublage, utilise Kokoro et Chatterbox en local, avec ces règles :

- Une voix fixe par personnage. Pour un nouveau personnage, choisis d'abord une voix intégrée de Kokoro, génère une réplique de 5 à 10 secondes enregistrée comme voix de référence, puis clone toujours à partir d'elle.
- Les répliques sans émotion ni rire passent directement par Kokoro ; pour de l'émotion, des rires ([laugh], [chuckle]) ou une voix identique à la référence, clone avec Chatterbox : Nano ou Turbo pour l'anglais, Multilingual V3 pour les autres langues (cfg_weight à 0 si la référence est dans une autre langue que le texte).
- Les noms propres, les mots étrangers et les homographes doivent être vérifiés à l'écoute ou par reconnaissance vocale avant validation.
- Un fichier par réplique, nommé « personnage-langue-numéro ».
- Avec Chatterbox, génère chaque réplique avec 3 seeds différents et liste les noms de fichiers et les répliques pour que je choisisse.
- Après génération, vérifie la durée : si le fichier est nettement plus long que la réplique ne le justifie, le modèle a ajouté du contenu ; change de seed et recommence.
- Ne clone jamais la voix d'une personne réelle, sauf si je précise que j'ai son accord.
- Pour le web ou le jeu, coupe les silences au début et à la fin, ajoute un court fondu de sortie, harmonise le volume et convertis en mp3.

Plus d'expression : les balises de rire de Turbo

Chatterbox-Turbo accepte des balises directement dans le texte, par exemple [chuckle] pour un petit rire, [laugh] pour un éclat de rire et [cough] pour une toux :

Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.
Chatterbox-Turbo, clone de bm_george, avec un [chuckle] au milieu de la réplique

Les limites du TTS open source

Après un premier tour complet, voici ce qu'il faut savoir avant de se lancer :

  • Sans carte graphique, il faut de la patience : Kokoro et Chatterbox Nano sont rapides, les autres versions de Chatterbox demandent une à deux minutes par réplique sur CPU.
  • L'anglais reste la langue la mieux servie : en français, Kokoro n'a qu'une seule voix, et Nano comme Turbo ne parlent qu'anglais. Les noms propres, les mots étrangers et les homographes sont à écouter avant usage.
  • Choisir la bonne version : la version PyPI de Chatterbox est trop ancienne, et comme Chatterbox n'est plus maintenu, certains problèmes ne seront jamais corrigés.
  • L'émotion vient de la référence et des paramètres : le modèle ne comprend pas le scénario, il ne sait pas si une réplique est une blague ou une colère. Pour une réplique enflammée, il faut une référence au ton enflammé ou augmenter l'intensité de l'émotion.
  • Le résultat doit être vérifié : contenu ajouté, syllabes avalées, bruit au début, tout peut arriver. Comme pour les bruitages, on peut demander à Claude Code ou Codex de lancer un sous-agent (subagent) chargé d'une vérification indépendante : retranscrire l'audio par reconnaissance vocale, comparer au texte d'origine, et régénérer en cas d'écart.

Le plus grand avantage pour un développeur indé : des voix dès le début du développement

Comme pour l'outil de bruitages présenté dans l'article précédent, la vraie valeur du TTS open source, selon moi, c'est de pouvoir doubler le jeu dès le début du développement.

Au début, le scénario change sans cesse. Si un comédien a déjà enregistré, chaque modification de texte oblige à réenregistrer. Avec un TTS local, on modifie une réplique, on relance, une dizaine de secondes et c'est fait, sans frais supplémentaires. Une fois le scénario figé, on décide s'il faut faire réenregistrer par de vrais comédiens.

À ce moment-là, la longueur des répliques, la durée d'affichage des bulles de dialogue et la durée des animations de bouche ou de gestes sont déjà calées sur le doublage. Pour passer aux enregistrements humains, il suffit de remplacer les fichiers audio portant le même nom.

Autre avantage : le multilingue. Le site de la base lunaire existe en 15 langues ; faire enregistrer 15 langues par des comédiens n'est pas réaliste, mais Kokoro gère 8 langues et Chatterbox Multilingual V3 en gère 23, français compris : au moins les principales langues peuvent avoir des voix dès maintenant.

Questions fréquentes

Kokoro TTS parle-t-il français ?

Oui. Kokoro gère 8 langues, dont le français, mais il n'a qu'une seule voix française : ff_siwis, une voix féminine. Il suffit d'utiliser lang_code="f" ; la prononciation est gérée par espeak-ng, inclus dans le paquet, sans rien installer de plus. Kokoro ne clone pas les voix : pour donner une voix masculine à un personnage en français, il faut passer par Chatterbox Multilingual V3 ou Qwen3-TTS.

Chatterbox TTS parle-t-il français ?

Oui, via Multilingual V3, qui gère 23 langues dont le français ; Nano, Turbo et la version originale ne parlent qu'anglais. On peut cloner une voix de référence anglaise pour lui faire lire du français, en réglant cfg_weight à 0 comme le recommande l'éditeur pour éviter l'accent anglais. Attention : l'ancienne version de PyPI ajoute du contenu en fin de phrase, installez depuis GitHub.

Le clonage de voix gratuit est-il utilisable commercialement ?

Chatterbox est sous licence MIT, le modèle est donc utilisable commercialement ; mais vous devez aussi avoir le droit d'utiliser la voix clonée : la vôtre, celle d'une personne qui a donné son accord, ou, comme dans cet article, une voix générée par Kokoro. Par ailleurs, chaque sortie contient le filigrane Perth.

Existe-t-il une alternative gratuite à ElevenLabs ?

Pour des répliques de jeu, de la narration ou le doublage de vidéos tutoriels, Kokoro et Chatterbox sont des alternatives open source gratuites, utilisables commercialement et qui tournent sur votre propre machine. La qualité audio et l'expressivité n'égalent pas encore ElevenLabs, mais on ne paie pas au caractère et on ne craint ni hausse de prix ni fermeture du service.

Peut-on faire tourner un TTS open source sans carte graphique ?

Oui. Sur le CPU d'un portable, Kokoro et Chatterbox Nano génèrent une réplique en une dizaine de secondes ; les versions de Chatterbox à 500 millions de paramètres demandent une à deux minutes par réplique, à lancer par lots en arrière-plan.

Conclusion : un portable suffit pour doubler les personnages d'un jeu

Pendant longtemps, le doublage m'a semblé être le luxe ultime du jeu indépendant : les comédiens coûtent cher, les TTS dans le cloud facturent au caractère, et dès qu'il y a beaucoup de texte, la note grimpe. Kokoro et Chatterbox ramènent les besoins à « un portable, une réplique, une dizaine de secondes », avec un usage commercial autorisé et des modèles stockés sur votre machine, à l'abri d'une fermeture de service.

Prochaine étape : intégrer les voix d'Arthur au jeu, pour qu'il parle vraiment quand sa bulle de dialogue s'affiche.

Cet article fait le tour du TTS open source ; viendront ensuite des articles dédiés à Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX et VoiceStudio, avec l'installation, les réglages et d'autres tests.

Et vous, comment doublez-vous les personnages de vos jeux ? Venez en discuter en commentaire sous mes posts sur Threads ou X.