Coqui TTS : avis (2026) — le kit de clonage vocal maintenu par la communauté

Histoire : de Mozilla TTS à un fork communautaire

Ce que fait réellement Coqui TTS

• Interface multi-modèles. Une seule classe Python TTS() charge et exécute différentes architectures de modèles, dont des modèles VITS mono- et multi-locuteurs, des modèles basés sur Tacotron2 et le modèle de clonage vocal XTTS v2, sans changer le code applicatif environnant.
• Synthèse en ligne de commande. La commande CLI tts synthétise la parole directement depuis le terminal, listant tous les modèles préentraînés disponibles avec tts --list_models.
• Clonage vocal via XTTS v2. Passer un argument speaker_wav à un modèle XTTS v2 chargé clone une voix à partir d'un court extrait audio de référence, générant la parole dans cette voix clonée dans les langues prises en charge par XTTS v2.
• Large bibliothèque de modèles préentraînés. Le kit donne accès à des modèles préentraînés couvrant, selon sa documentation, plus de 1 100 langues via les modèles massivement multilingues basés sur Fairseq, en plus de modèles curatés de meilleure qualité pour des langues spécifiques.
• Entraînement et fine-tuning de modèles. Au-delà de l'exécution de modèles préentraînés, le kit inclut des scripts d'entraînement et des outils d'analyse de jeux de données pour construire ou affiner un modèle vocal personnalisé — historiquement l'une de ses fonctions les plus utilisées avant la fermeture du service d'entraînement hébergé de Coqui AI.
• Inférence en streaming pour XTTS v2. Le kit documente une synthèse en streaming à faible latence avec XTTS v2 (citée par la documentation du fork maintenu comme une latence inférieure à 200 ms jusqu'au premier audio), utile pour les applications vocales interactives.

Coqui TTS et XTTS v2 : le rapport entre les deux

Installer et exécuter Coqui TTS : étape par étape

1. 1
   Installer le package maintenu.
   Why it matters: Exécutez `pip install coqui-tts` (ou `uv pip install coqui-tts` avec uv) dans un environnement Python. Installez spécifiquement le package `coqui-tts` — pas l'ancien nom de package `TTS`, qui pointe vers le dépôt d'origine désormais sans maintenance.
2. 2
   Lister les modèles préentraînés disponibles.
   Why it matters: Exécutez `tts --list_models` pour voir le catalogue complet des modèles préentraînés disponibles au téléchargement, organisés par langue et architecture (VITS, Tacotron2, XTTS et autres).
3. 3
   Synthétiser la parole en ligne de commande.
   Why it matters: Exécutez `tts --text "Hello world" --out_path output.wav` pour synthétiser avec le modèle par défaut, ou ajoutez `--model_name <modèle>` pour en choisir un spécifique dans la liste.
4. 4
   (Optionnel) Utiliser l'API Python pour le clonage vocal XTTS v2.
   Why it matters: Chargez le modèle avec `TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)`, puis appelez `.tts_to_file()` avec un argument `speaker_wav` pointant vers un court extrait audio de référence et un argument `language` pour cloner une voix.
5. 5
   (Optionnel) Activer l'accélération GPU.
   Why it matters: Passez `gpu=True` au constructeur `TTS()`, ou appelez `.to("cuda")` sur l'objet modèle chargé, pour exécuter l'inférence sur un GPU NVIDIA — recommandé pour XTTS v2, nettement plus lent sur CPU seul.
6. 6
   (Optionnel) Accepter la licence CPML de manière non interactive pour XTTS v2.
   Why it matters: Le premier chargement de XTTS v2 déclenche une étape interactive d'acceptation de la CPML. Définissez la variable d'environnement `COQUI_TOS_AGREED=1` pour l'accepter de manière non interactive, requis pour un usage sans surveillance dans des conteneurs Docker ou des pipelines CI.

Exemples d'utilisation réels

• Acceptation non interactive de la CPML pour les environnements automatisés : définissez COQUI_TOS_AGREED=1 avant le premier chargement de XTTS v2, pour que les builds Docker et les pipelines CI ne restent pas bloqués sur une invite interactive.
• Introspection des locuteurs et langues : après le chargement d'un modèle multi-locuteurs ou multilingue, tts.speakers et tts.languages listent ce que le modèle chargé prend réellement en charge — utile pour valider les entrées avant la synthèse.

# Ligne de commande : lister les modèles préentraînés disponibles
tts --list_models

# Ligne de commande : synthétiser avec le modèle par défaut
tts --text "Hello world" --out_path output.wav

# Ligne de commande : synthétiser avec un modèle spécifique
tts --model_name "tts_models/en/ljspeech/tacotron2-DDC" \
    --text "This is a test." --out_path output.wav

# API Python : synthèse de base
from TTS.api import TTS

tts = TTS("tts_models/en/ljspeech/tacotron2-DDC")
tts.tts_to_file(text="Hello world", file_path="output.wav")

# API Python : clonage vocal XTTS v2 (accepter la CPML de manière non interactive d'abord)
# export COQUI_TOS_AGREED=1
import torch
from TTS.api import TTS

device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

tts.tts_to_file(
    text="Hola, esto es una prueba.",
    speaker_wav="reference_voice.wav",
    language="es",
    file_path="cloned_output.wav",
)

# API Python : lister les locuteurs et langues disponibles sur un modèle chargé
print(tts.speakers)
print(tts.languages)

Licence et coût

Pour quoi Coqui TTS n'est pas adapté

• Construire sur le dépôt d'origine non maintenu. Si vous exécutez pip install TTS (l'ancien nom de package) plutôt que pip install coqui-tts (le fork maintenu), vous construisez sur du code qui n'a reçu aucune mise à jour depuis août 2024 — vérifiez quel package un tutoriel ou une dépendance référence réellement avant de vous y fier.
• Synthèse CPU seule la plus rapide possible. Si votre priorité est la parole en temps réel sur du matériel modeste comme un Raspberry Pi sans GPU, Piper est conçu spécifiquement pour cela et plus simple à déployer ; les modèles plus lourds de Coqui TTS, en particulier XTTS v2, sont nettement plus lents sur CPU seul.
• Clonage vocal commercial sans vérification de licence séparée. Exécuter XTTS v2 via le kit Coqui TTS porte toujours la restriction non commerciale propre à XTTS v2 (CPML) sur les poids et sorties du modèle — la licence MPL-2.0 du kit ne l'annule pas. Voir la section Licence et coût ci-dessus.
• Support d'entreprise garanti à long terme. L'entreprise Coqui AI n'existe plus depuis décembre 2023. Le fork actuel est maintenu par un institut de recherche sur une base communautaire, un modèle de maintenance différent d'une entreprise financée avec un contrat de support — à prendre en compte pour des décisions d'infrastructure de production critique.
• Une API unique et stable à travers les versions. Comme le développement s'est déplacé entre un original non maintenu et un fork activement développé, certains tutoriels, réponses Stack Overflow et articles de blog en ligne référencent une surface d'API plus ancienne ou l'ancien nom de package — vérifiez par rapport à la documentation actuelle de coqui-tts plutôt qu'à un ancien résultat de recherche.

Alternatives à Coqui TTS

Questions fréquentes

Verdict

Sources

• idiap/coqui-ai-TTS sur GitHub — le fork activement maintenu : README, documentation, licence et historique des versions.
• coqui-tts sur PyPI — métadonnées de package publiées, dont la licence MPL-2.0 actuelle et l'historique des versions.
• coqui-ai/TTS sur GitHub — le dépôt d'origine, désormais non maintenu (licence MPL-2.0).
• XTTS v2 sur Hugging Face — la fiche modèle et le texte de licence CPML du modèle de clonage vocal.
• Institut de recherche Idiap — l'institut de recherche suisse qui maintient le fork communautaire.

Lectures complémentaires

• Licences TTS locales et clonage vocal : Piper, XTTS v2, F5-TTS et Coqui — l'analyse approfondie des licences pour tous les principaux moteurs TTS locaux.
• Avis XTTS v2 — une analyse complète du modèle de clonage vocal que ce kit peut exécuter.
• Avis Piper TTS — l'alternative TTS locale rapide, CPU seul, testée avec la même profondeur.
• ElevenLabs vs Piper vs XTTS v2 — la comparaison cloud contre local pour les lecteurs hésitant à s'auto-héberger.
• Avis Bark TTS — le modèle TTS local audio expressif et non vocal, testé avec la même profondeur.