Des modèles de synthèse vocale minuscules qui tournent sur un CPU : quatre options ouvertes comparées

Kokoro, Pocket TTS, Phonon 31M et Supertonic 3 : modèles ouverts de synthèse vocale de 100M paramètres ou moins pour CPU. Comparez tailles, langues, clonage vocal et licences.

  • Analyse
  • 5 min de lecture
  • Publié le

Quatre modèles ouverts de synthèse vocale de 100 millions de paramètres ou moins tournent désormais sur le CPU d’un portable ordinaire : Kokoro, Pocket TTS, Phonon 31M et Supertonic 3. Le Pocket TTS de Kyutai est arrivé en janvier 2026, le Supertonic 3 de Supertone en mai et le Phonon de Gradium en octobre, tandis que Kokoro existe depuis janvier 2025. Ils se ressemblent sur la fiche technique et diffèrent sur des points qui décident lequel vous pouvez livrer.

Les quatre en un coup d’œil

Modèle Taille Langues Clonage de voix Licence des poids
Kokoro (hexgrad) 82M, 327 Mo 8, avec 54 voix Non Apache 2.0
Pocket TTS (Kyutai) 100M, 0.22 Go 6, plus le néerlandais dans le README Oui, à partir d’environ 5 secondes CC BY 4.0 derrière un filtre d’usages interdits
Phonon 31M (Gradium) 31M, 64.5 Mo Anglais seulement Non, API seulement Apache 2.0
Supertonic 3 (Supertone) 99M, environ 400 Mo 31, pas de chinois Non, 10 voix prédéfinies OpenRAIL-M

Vitesse et qualité sont auto-déclarées

Chaque chiffre ci-dessous vient du développeur du modèle concerné, mesuré sur du matériel et des jeux de test différents. Kyutai rapporte que Pocket TTS tourne environ six fois plus vite que le temps réel sur un MacBook Air M4 avec deux cœurs de CPU, et que lui et Kokoro ont été les seuls modèles de sa comparaison de portables plus rapides que le temps réel sur un CPU. La mise à jour d’octobre ajoute des modèles anglais de 18,2M et 1,9M de paramètres, tournant à 9,9 et 25 fois le temps réel sur un thread de CPU. Gradium dit que Phonon 31M commence à parler en environ 7 ms sur un CPU de portable. Supertone dit que Supertonic 3 tourne vite sur CPU même comparé à des modèles plus grands mesurés sur une A100.

Les affirmations de qualité ne s’alignent pas non plus. Dans le test anglais de Gradium, Phonon 31M obtient un Elo de 2 098 contre 2 043 pour Kokoro. Dans les tests de Kyutai, Pocket TTS a le taux d’erreur par mot le plus bas, 1,84 %, mais il est devancé par Chatterbox Turbo en qualité audio et a la plus faible similarité de locuteur des quatre modèles à clonage. Écoutez votre propre texte avant de choisir.

Les licences décident plus que la taille

Seuls Kokoro et Phonon 31M utilisent du Apache 2.0 pur pour leurs poids. Pocket TTS est listé CC BY 4.0 sur Hugging Face derrière un avis interdisant l’usurpation d’identité, la tromperie et les contenus illicites, tandis que le billet de lancement de Kyutai dit MIT — vérifiez donc le dépôt depuis lequel vous téléchargez. Chaque voix prédéfinie a sa propre licence, et un dépôt jumeau sans la fonction de clonage n’est pas filtré. Supertonic 3 utilise OpenRAIL-M, une licence OpenRAIL qui autorise l’usage commercial mais exige que chaque copie et dérivé porte sa liste d’usages interdits. Les modèles plus grands de 40M de Phonon sont CC BY-NC et ne sont pas libres pour un usage commercial.

Ce à quoi vous renoncez

Les petits modèles échangent du contrôle. Les voix de Kokoro sont fixes, la plupart fonctionnent mieux sur des textes d’environ 100 à 200 tokens, et le texte long doit être découpé. Pocket TTS ne peut pas insérer de pauses par silence dans le texte, et l’usage GPU n’est pas officiellement pris en charge. Phonon 31M découpe les entrées longues en phrases, l’intonation ne traverse donc pas tout le texte, et il lit les autres langues avec une prononciation anglaise. Supertonic 3 a dix voix prédéfinies, et le clonage n’était offert que via les services hébergés de Supertone. Si vous avez besoin de narration longue ou de nombreuses voix personnalisées, un modèle plus grand sur GPU convient mieux.

Lequel choisir

  • Le plus petit fichier, en anglais : Phonon 31M fait 64.5 Mo, possède 37 voix et un runtime pour Python, Rust, C et C++, Swift, Android et le navigateur.
  • Clonage de voix sur CPU : Pocket TTS clone une voix en six langues, mais lisez d’abord le filtre et les licences des voix.
  • Le plus utilisé : Kokoro a compté environ 12,5 millions de téléchargements sur les 30 jours précédant le 11 novembre 2026, avec le plus large éventail de voix prêtes à l’emploi. Il ne sait pas cloner une voix, et sa dernière sortie de modèle date de février 2025.
  • Beaucoup de langues, dont le coréen, le japonais et l’arabe : Supertonic 3, mais Supertone a archivé le projet en septembre 2026 : n’attendez pas de correctifs.
  • Un modèle plus grand qui tourne encore en local : ZONOS3-Mini a 800M de paramètres mais seulement environ 100M actifs, clone des voix en 43 langues et, selon Zyphra, tourne en temps réel sur portables, téléphones et dans un navigateur. C’est Apache 2.0, sorti le 9 novembre 2026 : peu de recul.
  • Deux options CPU hors de cette comparaison : MOSS-TTS-Nano d’OpenMOSS a environ 100M de paramètres, clone des voix, liste une vingtaine de langues et écrit en stéréo 48 kHz, et OpenMOSS dit que sa version ONNX a tourné sans accroc sur un cœur de MacBook Air M4. VieNeu-TTS v3 est un modèle de 131M pour le vietnamien et l’anglais avec 23 voix et clonage, et sa fiche place le premier audio à environ 300 ms sur CPU en fp32. Les deux sont Apache 2.0, et aucun des deux projets ne publie de benchmark de qualité pour son modèle vocal.

La liste des meilleurs modèles de synthèse vocale open source classe aussi les options plus grandes, et comment choisir un modèle de synthèse vocale détaille la décision. Le clonage de voix explique les règles de consentement auxquelles ces licences se réfèrent.

Sources

Modèles cités dans cet article

Modèle Sortie Paramètres Contexte Licence Mémoire requise (plus petite variante)
Kokoro EN hexgrad 82M – Apache 2.0 (Permissive) 0.38 GB Ordinateur portable ou smartphone
Pocket TTS EN Kyutai 18M – 100M – CC BY 4.0 (Permissive) 0.127 GB Ordinateur portable ou smartphone
Phonon 31M EN Gradium 31M – Apache 2.0 (Permissive) 0.0747 GB Ordinateur portable ou smartphone
Supertonic 3 EN Supertone 99M – OpenRAIL-M (Conditionnelle) 0.46 GB Ordinateur portable ou smartphone
ZONOS3-Mini EN Zyphra 800M 100M actifs – Apache 2.0 (Permissive) 10 GB Ordinateur portable ou smartphone
MOSS-TTS-Nano EN OpenMOSS 100M – Apache 2.0 (Permissive) 0.276 GB Ordinateur portable ou smartphone
VieNeu-TTS v3 EN Phạm Nguyễn Ngọc Bảo (VieNeu-TTS) 48M – 131M – Apache 2.0 (Permissive) 0.322 GB Ordinateur portable ou smartphone