Kokoro TTS : une voix locale convaincante et légère

#Pourquoi un petit modèle change le calcul

La qualité de la synthèse vocale n'est plus le problème depuis un moment ; le coût et la localisation, si. Les voix en ligne sonnent très bien et impliquent que chaque phrase prononcée par votre système parte chez un prestataire et soit facturée à l'usage. Les gros modèles locaux sonnent bien et occupent une carte graphique que vous préféreriez donner à votre modèle de langage plutôt qu'à la voix qui le fait parler.

Un modèle assez petit pour s'exécuter en une seconde sur un processeur lève les deux contraintes d'un coup. Lire un long document à voix haute cesse d'être une décision budgétaire. Un assistant peut prononcer toutes ses réponses au lieu des seules réponses importantes. Un traitement par lots peut narrer cent fichiers pendant la nuit sur du matériel que vous possédez déjà, sans rien envoyer à un tiers ni attendre un quota ni surveiller une facture qui grimpe avec le volume traité.

#Le modèle, en chiffres vérifiés

82 millions de paramètres

Un ordre de grandeur en dessous des modèles auxquels on le compare habituellement.

Architecture StyleTTS 2 + ISTFTNet

Un design « décodeur seul », sans diffusion, ce qui explique en partie sa légèreté.

8 langues, 54 voix (v1.0)

Publiée le 27 janvier 2025, entraînée sur quelques centaines d'heures d'audio.

Coût d'entraînement total : environ 1 000 $

1 000 heures de calcul sur GPU A100 80 Go au total, un budget minuscule pour ce résultat comparé aux modèles concurrents.

Données exclusivement libres de droits

Audio du domaine public, sous licences permissives, ou audio synthétique de fournisseurs commerciaux fermés — explicitement jamais de clone de voix non autorisé ni d'audio d'un autre modèle ouvert.

Ce dernier point mérite d'être souligné : la fiche du modèle est explicite sur la provenance des données, ce qui est rare dans ce domaine. C'est une des raisons pour lesquelles Kokoro se déploie sans le flou juridique qui entoure les modèles entraînés sur des voix récupérées ou clonées sans accord — un point qui compte particulièrement pour un projet destiné au grand public en France, où le droit à l'image de la voix est pris au sérieux. À sa sortie, Kokoro a pris la première place du classement communautaire TTS Spaces Arena, devant des modèles nettement plus gros : XTTS v2 (467 millions de paramètres), MetaVoice (1,2 milliard) et Fish Speech (environ 500 millions) ont tous été dépassés par un modèle de 82 millions — un classement daté, pas une garantie universelle, mais un signal fort sur le rapport qualité/taille pour qui doit choisir vite sans faire tourner dix modèles en parallèle.

#Ce qu'il fait, et ne fait pas

La formulation honnête : c'est un très bon lecteur, pas un comédien. Pour de la narration, des notifications, un assistant ou de l'accessibilité, c'est plus que suffisant. Pour un travail d'interprétation où une intention précise compte, il vous faudra un outil que l'on peut diriger de façon plus fine. Côté budget, le tarif constaté par API tourne autour de 1 $ le million de caractères d'entrée — environ mille caractères pour une minute de rendu — un repère utile même en local, pour comparer au coût réel d'un abonnement cloud équivalent sur la durée.

#Sa place dans une chaîne locale

1. 01
   La voix entre

   Un modèle de transcription convertit la parole de l'utilisateur en texte ; Faster-Whisper couvre bien cette étape, même sans GPU.
2. 02
   Le modèle réfléchit

   Un modèle local produit la réponse, servi par Ollama ou un autre moteur.
3. 03
   La voix sort

   Kokoro lit la réponse, via le paquet Python kokoro, qui s'appuie sur la bibliothèque de phonétisation misaki et sur espeak-ng en secours pour certains mots hors dictionnaire.

Le budget de latence se raisonne toujours vraiment dans son ensemble : l'utilisateur perçoit le total — transcription, puis génération, puis synthèse. La synthèse est en général la moins coûteuse des trois étapes, ce qui signifie que la réactivité perçue d'un assistant vocal est décidée avant tout par la vitesse de votre modèle de langage, pas par la voix qui lit la réponse finale.

#Trois usages concrets en français

La voix fr-fr de Kokoro rend le modèle directement utilisable pour un public francophone, sans passer par une voix anglaise mal accentuée ni par un service tiers facturé à l'usage. Trois cas reviennent le plus souvent chez les projets qui l'adoptent.

Lecture de documents longs

Rapports, articles, notes de veille : narrer un document de plusieurs pages ne coûte plus qu'un peu de temps processeur, contre un abonnement à une API facturée au caractère.

Assistant vocal domestique ou professionnel

Couplé à Whisper pour l'écoute et à un LLM local pour la réflexion, Kokoro ferme la boucle sans qu'aucune conversation ne quitte le réseau local.

Accessibilité et notifications

Lecture d'écran, alertes vocales, confirmation d'actions : des usages où la latence et la disponibilité hors ligne comptent plus que la nuance d'interprétation.

Dans les trois cas, le raisonnement budgétaire change de nature : au lieu d'un coût par caractère facturé à chaque appel, la dépense devient l'électricité et le temps processeur d'une machine déjà possédée. Pour un volume élevé de texte lu à voix haute — de la veille documentaire quotidienne à un service client vocal — l'écart se creuse vite en faveur du local, d'autant que le débit reste plus rapide que le temps réel même sans carte graphique dédiée.

#Kokoro ou Piper

Le point de licence sur Piper mérite d'être vérifié avant de s'engager : le dépôt historique rhasspy/piper, sous licence MIT, est désormais archivé et en lecture seule. Le développement actif s'est déplacé vers OHF-Voice/piper1-gpl, maintenu par l'Open Home Foundation sous licence GPL-3.0 — une différence réelle pour un usage commercial par rapport aux tutoriels qui citent encore le MIT de l'ancien dépôt. La documentation officielle de Piper ajoute que certaines voix individuelles peuvent porter des licences plus restrictives que celle du moteur : à vérifier voix par voix, pas seulement au niveau du projet. Piper reste construit différemment de Kokoro : chaque voix est un modèle VITS distinct exporté en ONNX, avec un fichier .onnx et un fichier .onnx.json de configuration, quand Kokoro propose ses 54 voix depuis un unique jeu de poids partagé.

• Assistant vocal local : Whisper + Ollama + Piper de bout en bout
• L'étape d'écoute : transcrire vite en local, même sans GPU
• Vosk : une autre option pour la reconnaissance vocale hors ligne
• Automatiser un compte-rendu de réunion en local
• Source : fiche officielle Kokoro-82M sur Hugging Face
• Source : dépôt GitHub du paquet Python kokoro
• Source : dépôt actif de Piper (GPL-3.0)

#Licence et éthique

Deux questions décident si un modèle de synthèse vocale est utilisable dans votre projet, et une seule est technique. La première est la licence des poids et des voix, qui gouverne l'usage commercial : pour Kokoro, c'est Apache 2.0, une licence permissive et sans ambiguïté qui couvre les 54 voix d'un bloc — ce n'est pas le cas de tous les moteurs, Piper en étant l'exemple le plus proche avec son récent passage au GPL-3.0. La seconde est qu'un modèle à voix prédéfinies évite entièrement la question du consentement, là où cloner la voix de quelqu'un à partir d'un échantillon exige son accord et emporte, dans un nombre croissant de juridictions, des conséquences juridiques. La fiche de Kokoro est explicite : aucun module de clonage n'a été publié avec les poids, ce qui écarte cet usage par construction plutôt que par simple politique d'utilisation.

Pour un projet français, cette combinaison simplifie beaucoup de choses : pas de contrat de licence de voix à négocier, pas de personne réelle dont il faut obtenir l'accord, et une licence Apache 2.0 qui ne pose pas de question sur la revente ou l'intégration dans un produit payant. Le seul point de vigilance qui reste est purement technique : vérifier que la voix française choisie sonne correctement sur les textes réels du projet, accents et sigles compris, avant de la déployer à grande échelle.

#FAQ