Meilleur moteur TTS local pour une configuration GPU NVIDIA (2026)

XTTS v2, Chatterbox et Bark fonctionnent tous sur CPU, mais c'est un GPU qui les rend praticables en temps réel ou en traitement par lots — Kokoro fait exception, ses 82 millions de paramètres le rendant rapide sur CPU seul. Les trois moteurs plus lourds partagent une caractéristique commune : ce sont des modèles privilégiant la qualité de clonage ou de génération, dont l'architecture échange du calcul contre de l'expressivité, si bien que l'accélération CUDA supprime le goulot d'étranglement plutôt que d'apporter un simple gain marginal.

Utilisez un moteur orienté GPU (XTTS v2, Chatterbox ou Bark) si votre usage est le clonage vocal, l'audio expressif non vocal, ou toute charge où la vitesse de génération compte — un lot de narration, une application vocale interactive, ou un pipeline générant de nombreux clips. Évitez de consacrer du VRAM GPU au TTS si votre seul besoin est la narration simple d'un texte brut sans clonage : Kokoro ou Piper couvrent ce cas sur CPU seul, libérant votre VRAM pour un LLM ou une autre tâche en parallèle.

XTTS v2, publié par Coqui et exécuté via le toolkit Coqui TTS, est la meilleure option de clonage vocal local pour les possesseurs de GPU cherchant la meilleure qualité atteignable à partir d'un court extrait de référence. Il clone une voix à partir de seulement 6 secondes d'audio de référence et la restitue dans 17 langues, y compris en clonage translinguistique — cloner une voix à partir d'un audio anglais et la faire parler en espagnol ou en japonais.

Côté VRAM, les poids du modèle XTTS v2 pèsent environ 2 Go, mais 4 Go constituent le minimum pratique pour le faire tourner, et 4-6 Go sont recommandés pour une inférence en temps réel, selon le test XTTS v2 dédié de PromptQuorum. La licence est le facteur décisif pour la plupart des lecteurs : la Coqui Public Model License (CPML) est explicitement non commerciale, et comme Coqui AI, l'entreprise, a cessé ses services payants en décembre 2023, il n'existe actuellement aucune voie confirmée vers une licence commerciale.

Chatterbox, publié par Resemble AI sur GitHub, est le meilleur choix pour les possesseurs de GPU voulant du clonage vocal conversationnel en temps réel sous une licence entièrement permissive et compatible commercial. Il est sous licence MIT, qui — contrairement à la CPML non commerciale de XTTS v2 — autorise l'usage commercial sans accord séparé.

Chatterbox est disponible en plusieurs tailles : une variante Nano (110 millions de paramètres) que la documentation de Resemble AI décrit comme plus rapide que le temps réel sur 8 cœurs CPU, une variante Turbo (350 millions de paramètres) conçue pour la faible latence, et une variante multilingue (environ 500 millions de paramètres, sur une architecture qui crédite Llama 3) prenant en charge plus de 20 langues. Le clonage vocal zero-shot fonctionne à partir d'un extrait audio de référence — l'exemple officiel de Resemble AI utilise un clip de 10 secondes, bien que le README n'indique pas de durée minimale officielle comme celui de XTTS v2.

Le README public de Resemble AI ne publie pas de chiffre VRAM exact — traitez tout chiffre en Go précis vu ailleurs comme non vérifié tant que vous ne l'avez pas testé sur votre propre carte. Ce qui est documenté : la variante Nano fonctionne correctement sur CPU seul, tandis que les variantes Turbo et Multilingual, plus grandes, sont conçues pour une génération accélérée par GPU à faible latence — CUDA et Apple Silicon (MPS) sont tous deux pris en charge.

Bark, publié par Suno sur GitHub, est le bon choix si vous voulez plus que de la parole — rires, soupirs, halètements et musique simple générés à partir de simples prompts textuels — et c'est le moteur de ce comparatif qui profite le plus d'un GPU, son architecture générative token par token étant la plus lente des quatre sans accélération CUDA. Il ne prend pas en charge le clonage vocal personnalisé ; selon la documentation officielle de Suno, il « ne prend actuellement pas en charge le clonage vocal personnalisé ».

Côté VRAM, le test Bark dédié de PromptQuorum documente un besoin d'environ 12 Go pour le modèle complet, avec un drapeau d'environnement pour petit modèle (SUNO_USE_SMALL_MODELS) le réduisant à environ 8 Go — sensiblement plus que les 4-6 Go de XTTS v2. Il est sous licence MIT, devenue pleinement compatible usage commercial le 1er mai 2023, mais son statut de maintenance pose une vraie question ouverte : le dépôt GitHub public ne montre aucun commit depuis le 5 avril 2024.

Kokoro figure ici comme contre-exemple : posséder un GPU NVIDIA ne signifie pas que chaque charge TTS en a besoin, et Kokoro le prouve. Avec 82 millions de paramètres, il est nettement plus petit que XTTS v2, Chatterbox ou Bark, et sa propre fiche modèle Hugging Face documente une synthèse en temps réel ou plus rapide sur CPU seul, l'usage d'un GPU apportant de la marge plutôt qu'une nécessité.

Kokoro est sous licence Apache 2.0, qui — comme la licence MIT de Chatterbox — autorise l'usage commercial sans restriction. Il ne prend pas en charge le clonage vocal, il ne remplace donc pas XTTS v2 ou Chatterbox si le clonage est requis, mais pour de la narration simple, de la lecture de texte, ou une couche vocale dans une application où le clonage n'est pas nécessaire, c'est un choix plus léger et plus simple.

Ce tableau note les quatre moteurs spécifiquement sur des critères d'adéquation GPU — besoin en VRAM, bénéfice réel de l'accélération CUDA, capacité de clonage vocal et licence — pas sur la qualité audio brute.

Un GPU avec 6 Go de VRAM ou plus couvre confortablement tous les moteurs de ce comparatif, sauf le modèle complet de Bark, qui nécessite environ 12 Go (ou environ 8 Go avec son drapeau petit modèle). Adaptez votre carte au moteur réellement nécessaire plutôt que d'acheter par défaut pour l'option la plus lourde.

Pour des conseils généraux sur le choix d'un GPU par palier de VRAM pour des charges IA locales (pas spécifique au TTS), voir le guide d'achat GPU pour LLM locaux de PromptQuorum — la même logique d'achat centrée sur le VRAM s'applique au TTS, et si vous faites déjà tourner un LLM local en parallèle du TTS, les deux charges se partagent le même réservoir de VRAM.

Cloner la voix d'une personne réelle sans son consentement explicite est un problème distinct de la licence, et cela s'applique quel que soit le moteur, la licence ou le statut commercial en jeu. XTTS v2 et Chatterbox sont tous deux des outils de clonage vocal performants et généralistes ; aucun des deux ne vérifie que l'audio de référence fourni appartient à une personne ayant accepté d'être clonée.

Cloner une voix sans consentement peut poser des questions de consentement, de droit à l'image et, dans certaines juridictions, de fraude ou d'usurpation d'identité, indépendamment du caractère commercial ou personnel du projet, et indépendamment des conditions de licence du modèle. Ceci est une note factuelle, pas un conseil juridique — consultez un avocat si vous développez un produit clonant la voix de personnes réelles, et obtenez toujours un consentement clair et documenté de toute personne dont vous clonez la voix.

Pour les lecteurs possédant déjà un GPU NVIDIA et voulant l'exploiter pour la synthèse vocale, le choix dépend de ce que l'audio doit accomplir. XTTS v2 est le choix pour la meilleure qualité de clonage vocal atteignable dans un contexte non commercial ou de recherche, du fait de sa licence CPML non commerciale. Chatterbox est le choix quand cette même capacité de clonage doit être livrée dans un produit commercial, grâce à sa licence MIT et ses modèles plus petits conçus pour le temps réel. Bark est le choix spécifiquement quand le projet a besoin d'audio expressif non vocal — rires, soupirs, musique simple — et peut consacrer 8-12 Go de VRAM pour l'obtenir, avec la réserve que son statut de maintenance est incertain. Kokoro reste le bon choix dès lors que le clonage n'est pas requis : il tourne confortablement sur CPU seul, donc réserver du VRAM GPU pour lui vaut rarement la peine. En cas de doute, commencez avec Kokoro pour de la narration simple et ne passez à XTTS v2 ou Chatterbox qu'une fois un véritable besoin de clonage identifié — cela garde le VRAM de votre GPU disponible pour tout ce que vous faites tourner à côté, y compris un LLM local. Pour les détails de licence de chaque moteur mentionné ici, voir le guide des licences TTS et clonage vocal locaux de PromptQuorum.