Licences TTS local et clonage vocal 2026 : quels moteurs autorisent l'usage commercial (Piper, XTTS v2, F5-TTS, Coqui)

Points clés

• TTS local le plus rapide : Piper — temps réel sur Raspberry Pi 5, ~10× plus rapide que le temps réel sur CPU de bureau moderne.
• Meilleure qualité de clonage vocal : XTTS v2 — 6 secondes d'audio de référence, clonage multilingue en 17 langues.
• Clonage vocal zéro-shot le plus rapide (nouvelle architecture) : F5-TTS — ~3 secondes d'audio, flow-matching, ~3–5× temps réel sur RTX 4070.
• Toolkit open-source le plus flexible : Coqui TTS — supporte les backends VITS, Tacotron2, XTTS, 20+ modèles de langues.
• Seul audio génératif (sons non vocaux) : Bark — rires, soupirs, musique, ambiance. Le plus lent de tous.
• Meilleure qualité de narration anglaise : StyleTTS 2 — transfert de style basé sur la diffusion, MOS quasi-humain sur le benchmark LJSpeech.
• Libres pour l'usage commercial : Piper, Bark, StyleTTS 2 (MIT) ; Kokoro, Tortoise (Apache 2.0) ; toolkit Coqui TTS (MPL 2.0, sous conditions). Non commercial : XTTS v2 (CPML), F5-TTS (CC-BY-NC-4.0).
• Voix et langues XTTS v2 : pas de liste de voix fixe — vous fournissez un extrait de référence de 6 secondes et il clone cette voix. Des préréglages de locuteurs intégrés sont livrés avec le modèle, et il génère dans 17 langues : en, es, fr, de, it, pt, pl, tr, ru, nl, cs, ar, zh-cn, ja, hu, ko, hi.
• VRAM XTTS v2 : ~2 Go de poids de modèle ; 4 Go minimum pour fonctionner, 4–6 Go recommandés pour une inférence en temps réel.
• Accepter la CPML en CI/Docker : export COQUI_TOS_AGREED=1 — pas d'invite interactive nécessaire.
• Exigences VRAM : Piper : CPU uniquement. Kokoro : CPU / 1–2 Go. StyleTTS 2 : 2–4 Go. Coqui VITS : 2–4 Go. F5-TTS : 3–5 Go. XTTS v2 : 4–6 Go. Bark : 4–8 Go. Tortoise : 4–8 Go.

Pourquoi le TTS local est important

• Confidentialité : Votre contenu textuel ne quitte jamais votre machine. Essentiel pour la dictée médicale, les résumés juridiques, la narration de journaux privés ou la lecture à voix haute de documents confidentiels.
• Coût : Le TTS cloud est typiquement facturé 4–30 € par million de caractères. Un développeur générant 10 millions de caractères par mois économise 40–300 €/mois avec une configuration locale unique.
• Latence : Pas d'aller-retour réseau. Piper génère le premier token audio en moins de 50 ms sur CPU — plus rapide que tout aller-retour TTS cloud.
• Personnalisation : Le clonage vocal (XTTS v2, F5-TTS, Coqui) permet de créer une voix personnalisée à partir de quelques secondes d'audio. Les fournisseurs cloud facturent 10 €+/mois par voix clonée.
• Fonctionnement hors ligne : Fonctionne dans les avions, dans les installations sécurisées, dans les zones éloignées sans internet. Interface vocale embarquée pour bornes et appareils.
• Maison connectée : Piper est la couche TTS de référence pour les interfaces vocales locales toujours actives — temps réel sur Raspberry Pi, sans GPU. Pour un assistant vocal hors ligne intégré dans Home Assistant, voir assistant vocal local pour smart home →.

Tableau de comparaison

Comparaison de latence du premier audio

Piper TTS — Option légère la plus rapide

• Architecture : TTS neuronal VITS avec inférence ONNX. Conçu pour les ordinateurs monocarte et Linux embarqué.
• Installation : pip install piper-tts. Des packs de voix pré-entraînés sont disponibles dans le dépôt Piper voices sur Hugging Face.
• Utilisation : echo "Bonjour, monde" | piper --model fr_FR-upmc-medium.onnx --output_file sortie.wav
• Packs de voix : 20+ langues, plusieurs options de voix par langue. Chaque pack de voix est un fichier modèle ONNX de 20–200 Mo.
• Vitesse : ~10× plus rapide que le temps réel sur un CPU de bureau moderne. Temps réel sur Raspberry Pi 5. Latence du premier audio inférieure à 50 ms.
• Apple Silicon : ~15× temps réel sur M5 Pro (CPU, ARM NEON). Fonctionne nativement sans GPU — excellente performance sur Mac.
• Écouter des exemples : Échantillons vocaux Piper
• Idéal pour : Assistants domestiques, bornes interactives, interface vocale embarquée, lecture à voix haute sensible à la confidentialité sans GPU disponible.
• Limitation : Pas de clonage vocal. La qualité est « bonne » — naturelle mais clairement synthétique par rapport à XTTS v2 ou StyleTTS 2.
• Licence : MIT — entièrement commercial, aucune restriction.
• Kokoro TTS — alternative à Piper : Kokoro TTS est une alternative émergente à Piper dans la catégorie légère. Il atteint une plus grande naturalité que Piper tout en restant rapide sur CPU. Licencié sous Apache 2.0. Si la qualité de Piper ne répond pas à vos besoins mais que vous ne pouvez pas vous permettre la VRAM GPU, Kokoro vaut la peine d'être testé.

Coqui TTS — Meilleur toolkit open-source polyvalent

• Installation : pip install TTS. Les modèles se téléchargent automatiquement à la première utilisation.
• Clonage vocal : Fournissez 6+ secondes d'audio de référence. tts --text "Bonjour" --model_name tts_models/fr/css10/vits --speaker_wav exemple.wav --out_path sortie.wav
• Options de backend : VITS (le plus rapide, bonne qualité), Tacotron2 (plus ancien, plus lent), XTTS (meilleure qualité, voir section XTTS v2).
• Langues : 20+ modèles de langues disponibles via tts --list_models.
• VRAM : 2–4 Go pour le backend VITS ; 4–6 Go pour le backend XTTS.
• Apple Silicon : ~8× temps réel sur M5 Pro (CPU). Pas d'accélération Metal GPU. Utilisable pour la génération par lots.
• Statut communautaire : Coqui Inc a fermé en janvier 2024. Le dépôt open-source (coqui-ai/TTS) est maintenu par la communauté. Pas de support commercial actif.
• Licence : MPL 2.0 — utilisation commerciale autorisée, mais le code source des modifications doit être divulgué.
• Idéal pour : Les développeurs qui veulent le clonage vocal avec un toolkit open-source et une licence permissive.

XTTS v2 — Meilleure qualité de clonage vocal

• Architecture : TTS basé sur GPT avec conditionnement de locuteur. Vision-transformer pour la modélisation de la prosodie.
• Clonage vocal : 6 secondes d'audio de référence suffisent pour un clone vocal convaincant. 3 secondes produisent une qualité passable.
• Clonage multilingue : Clonez la voix dans une langue, générez la parole dans 17 langues différentes avec les mêmes caractéristiques vocales.
• Langues (17) : anglais, espagnol, français, allemand, italien, portugais, polonais, turc, russe, néerlandais, tchèque, arabe, chinois (zh-cn), japonais, hongrois, coréen et hindi. Le coréen et le hindi ont été ajoutés dans XTTS v2.0.3.
• « Voix XTTS v2 » : il n'y a pas de catalogue fixe de voix nommées. XTTS v2 est un modèle de clonage — vous fournissez un extrait de référence de 6 secondes et il reproduit ce locuteur. Le dépôt livre quelques préréglages de locuteurs intégrés pour des tests rapides, mais le workflow prévu est de fournir votre propre speaker_wav.
• VRAM : les poids du modèle font ~2 Go. 4 Go de VRAM est le minimum pratique ; 4–6 Go sont recommandés pour une inférence en temps réel. Fonctionne sur CPU mais ~5–10× plus lent.
• Vitesse : Lent — génère ~2× temps réel sur un RTX 4070. Pas adapté aux pipelines d'assistant vocal en temps réel.
• Apple Silicon : ~3× temps réel sur M5 Pro (CPU, pas d'accélération Metal). Utilisable pour la génération audio par lots, pas pour la sortie d'assistant vocal en temps réel.
• Licence : CPML (Coqui Public Model License) — non commerciale. La CPML autorise l'usage personnel, de recherche et de loisir du modèle et de ses sorties audio, mais interdit l'usage commercial (tout produit payant, SaaS, contenu financé par la publicité ou travail client) sans accord commercial séparé. Coqui Inc a fermé en janvier 2024, donc aucune entité ne vend actuellement de licences commerciales XTTS v2 — en pratique, considérez XTTS v2 comme non commercial uniquement. Voir la section acceptation non interactive de la CPML pour la variable d'environnement COQUI_TOS_AGREED.

from TTS.api import TTS

# Load XTTS v2 model
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Clone voice from 6-second reference audio and synthesize in any of 17 languages
tts.tts_to_file(
    text="Bonjour, je suis votre assistant vocal.",
    speaker_wav="reference_voice.wav",   # 6+ seconds of the target speaker
    language="fr",                        # Output in French using the cloned voice
    file_path="output.wav"
)

Bark — Audio génératif au-delà de la parole

• Capacité unique : Incluez `[laughs], [sighs], [clears throat], [music] ou [sound effect: wind]` dans votre texte et Bark génère ces sons aux côtés de la parole.
• Pas contrôlable comme un TTS traditionnel : La sortie varie entre les exécutions pour la même entrée. La qualité est inconsistante — certaines sorties sont excellentes, d'autres ont des artefacts ou des segments incompréhensibles.
• Vitesse : Lent — 2–4× plus lent que le temps réel même sur un RTX 4090. Pas adapté aux applications interactives.
• Apple Silicon : ~1,5× temps réel sur M5 Pro (CPU, MPS partiel). Le support MPS (Metal Performance Shaders) est partiel — la plupart des inférences retombent toujours sur CPU.
• Idéal pour : Audio créatif, production de podcasts avec effets sonores, fiction interactive, applications vocales expérimentales.
• VRAM : 4–8 Go GPU. Fonctionne sur CPU avec une qualité significativement inférieure.
• Installation : pip install suno-bark. Les modèles se téléchargent à la première exécution (~2 Go).
• Licence : MIT — entièrement commercial.
• Limitation : Pas de clonage vocal fiable. Les « préréglages de voix » fournis avec Bark sont approximatifs — pas un vrai système de clonage vocal.

StyleTTS 2 — Qualité naturelle la plus élevée

• Architecture : Transfert de style basé sur la diffusion. Échantillonnage à partir d'une distribution apprise de styles d'élocution plutôt que d'un mappage déterministe du texte vers l'audio.
• Qualité : Scores MOS les plus élevés de tout moteur TTS anglais open-source sur le benchmark LJSpeech.
• Idéal pour : Narration de livres audio, voix professionnelle, production de podcasts.
• Installation : Clonez le dépôt GitHub, installez les prérequis (pip install -r requirements.txt), téléchargez les points de contrôle du modèle (~500 Mo).
• Support linguistique : Principalement l'anglais. Non recommandé pour une utilisation non-anglophone.
• Clonage vocal : Non supporté. StyleTTS 2 génère uniquement dans des voix de locuteurs entraînées.
• VRAM : 2–4 Go GPU. Plus rapide que XTTS v2 à ~5–8× temps réel sur RTX 4070.
• Apple Silicon : ~6× temps réel sur M5 Pro (CPU). Pas d'accélération Metal.
• Licence : MIT — entièrement commercial.

F5-TTS — Clonage vocal zéro-shot, entièrement ouvert

• Architecture : Flow-matching (une approche variante de la diffusion) plutôt que l'architecture GPT utilisée par XTTS v2. Inférence typiquement plus rapide avec une qualité compétitive.
• Clonage vocal : ~3 secondes d'audio de référence suffisent. Pas de fine-tuning requis.
• Qualité : Compétitive avec XTTS v2 en anglais. Scores MOS ~4,1 dans les évaluations communautaires.
• Vitesse : ~3–5× temps réel sur RTX 4070 — plus rapide que XTTS v2.
• Langues : Fort support pour l'anglais et le chinois, avec un support en expansion pour d'autres langues.
• Apple Silicon : ~2× temps réel sur M5 Pro (CPU). Pas d'accélération Metal actuellement.
• VRAM : 3–5 Go GPU recommandé.
• Installation : pip install f5-tts ou cloner depuis GitHub.
• Licence : CC-BY-NC-4.0 — usage non-commercial uniquement. L'utilisation commerciale nécessite un accord séparé.

Licences et usage commercial — puis-je utiliser ce moteur TTS commercialement ?

Accepter la CPML de manière non interactive (COQUI_TOS_AGREED)

• Shell / CI : export COQUI_TOS_AGREED=1 avant d'exécuter votre script.
• Docker : ajoutez ENV COQUI_TOS_AGREED=1 à votre Dockerfile, ou passez -e COQUI_TOS_AGREED=1 à docker run.
• Python (à définir avant le chargement du modèle) : `import os; os.environ["COQUI_TOS_AGREED"] = "1" — doit s'exécuter avant que TTS(...)` n'instancie le modèle XTTS.
• Ce que cela fait : enregistre l'acceptation non interactive de la CPML afin que le chargement du modèle ne bloque pas sur une invite y/n. Ce n'est pas une licence commerciale et cela ne supprime pas la restriction non commerciale.

# 1) Shell / CI — accepter la CPML une fois pour la session
export COQUI_TOS_AGREED=1

# 2) Dockerfile — intégrer l'acceptation dans l'image
# ENV COQUI_TOS_AGREED=1

# 3) Python — la définir avant la création du modèle
import os
os.environ["COQUI_TOS_AGREED"] = "1"   # doit être défini AVANT l'appel TTS() ci-dessous

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# Le modèle se charge maintenant sans l'invite de licence interactive

Comment le TTS local se compare à ElevenLabs et au TTS cloud

• Plafond de qualité : ElevenLabs > StyleTTS 2 ≈ XTTS v2 > F5-TTS ≈ Coqui TTS > Piper.
• Latence : Piper local (~30–50 ms premier audio) est plus rapide que tout aller-retour API ElevenLabs (~300–500 ms).
• Coût : ElevenLabs facture 5–99 €/mois par palier. Le TTS local coûte 0 € après l'achat matériel unique.
• Clonage vocal : ElevenLabs Instant Voice Clone ≈ qualité XTTS v2. ElevenLabs Professional Voice Clone dépasse tout moteur local.
• Confidentialité : TTS local = aucune donnée audio envoyée nulle part. ElevenLabs = audio traité sur leurs serveurs.
• Capacité hors ligne : Local = entièrement hors ligne. ElevenLabs = nécessite internet.
• Quand utiliser le cloud : Production de voix professionnelle, produits orientés clients nécessitant la plus haute qualité.
• Quand utiliser le local : Audio sensible à la confidentialité, appareils embarqués, traitement par lots sensible aux coûts, environnements hors ligne.

Comment choisir

• Besoin de clonage vocal ? → XTTS v2 (meilleure qualité, CPML) ou F5-TTS (nouvelle architecture, plus rapide, CC-BY-NC-4.0) ou Coqui VITS (bonne qualité, MPL 2.0). Pas de clonage : Piper (vitesse) ou StyleTTS 2 (qualité).
• CPU uniquement / Raspberry Pi ? → Piper uniquement. Kokoro est une alternative CPU de meilleure qualité (Apache 2.0). Tous les autres moteurs nécessitent un GPU.
• Besoin d'audio créatif avec des sons non vocaux ? → Bark. Aucun autre moteur local ne produit nativement des rires, soupirs ou musique.
• Besoin de la meilleure qualité de narration anglaise ? → StyleTTS 2.
• Besoin de support multilingue ? → XTTS v2 (17 langues), Coqui (20+), Piper (20+ packs).
• Besoin d'une licence MIT entièrement commerciale ? → Piper, Bark ou StyleTTS 2.
• Construction d'un pipeline d'assistant vocal ? → Piper pour une sortie TTS à faible latence.

Questions fréquemment posées

Sources

• Piper TTS sur GitHub — Code source, packs de voix, téléchargements de modèles ONNX et guide Raspberry Pi.
• Coqui TTS sur GitHub — Code source, liste de modèles, documentation sur le clonage vocal et référence de l'API Python.
• Documentation XTTS v2 — Fiche de modèle XTTS v2, licence (CPML) et API de clonage vocal.
• F5-TTS sur GitHub — TTS flow-matching avec clonage vocal zéro-shot, guide d'installation et support multilingue.
• Tortoise TTS sur GitHub — TTS multi-voix de haute qualité avec clonage vocal, licence Apache 2.0. Très lent mais compatible avec l'usage commercial.
• XTTS-v2 LICENSE.txt (CPML) sur Hugging Face — Texte complet de la Coqui Public Model License régissant XTTS v2.

Lecture complémentaire

• Construire un assistant vocal entièrement hors ligne en 2026 — Utilisez Piper ou Coqui TTS comme couche de sortie d'un pipeline complet Whisper + LLM + TTS.
• Reconnaissance vocale locale 2026 : Whisper.cpp vs faster-whisper — Le côté entrée d'un pipeline vocal.
• Pipeline IA multimodale locale 2026 — Intégrer le TTS comme couche de sortie vocale d'une pile multimodale complète.
• Meilleurs GPU budget pour LLM local — Sélection de GPU pour exécuter XTTS v2, F5-TTS, Bark ou StyleTTS 2.
• Meilleure IA text-to-speech pour créateurs de contenu — Piper vs Coqui XTTS vs ElevenLabs Local : comparaison qualité vocale et latence.