Kyutai : la voix française en open source qui tourne sur un simple processeur
100 millions de paramètres en licence CC-BY | Trois fois le temps réel sur un processeur de bureau | 20 secondes de calcul pour une minute de voix
Pas de carte graphique, pas d’abonnement. Pocket TTS, le modèle de synthèse vocale publié par Kyutai le 13 janvier 2026, pèse 100 millions de paramètres et parle français sur le processeur que vous avez déjà. Je l’ai installé ce matin : une commande, treize secondes de chargement, la voix sort.
Le laboratoire est parisien, les poids sont publics, la licence autorise l’usage commercial. Reste la vraie question : à partir de quand ça ne suffit plus.
Kyutai, le labo parisien qui publie tout
Kyutai se présente comme un laboratoire de science ouverte, financé par Iliad, CMA CGM et Schmidt Sciences. Soixante-seize modèles sur Hugging Face, les articles, le code d’entraînement. Un spin-off aussi, Gradium, chargé de transformer la recherche en systèmes de production.
La séquence voix tient en trois dates. Moshi en septembre 2024, premier système de dialogue qui parle et écoute en même temps. Kyutai TTS 1.6B en juillet 2025, taillé pour les serveurs. Pocket TTS en janvier 2026, taillé pour votre machine.
Un labo qui publie le code d’entraînement de son modèle, en 2026, quand la pratique du secteur est de publier le billet de blog. Ça mérite d’être dit.
Pocket TTS : une voix française sur un processeur ordinaire
L’installation tient en une ligne, pip install pocket-tts, avec Python 3.10 à 3.14 et PyTorch 2.5 ou plus récent. Avec uvx pocket-tts generate, vous n’installez rien du tout.
Kyutai annonce 200 millisecondes avant le premier bloc audio et six fois le temps réel sur le processeur d’un MacBook Air M4, en n’occupant que deux cœurs. Sur une machine virtuelle à quatre vCPU, la fiche officielle descend déjà à 2,3 fois.
Mes mesures du 8 octobre, sur un Ryzen 12 cœurs avec un seul fil d’exécution PyTorch : 2,97 fois le temps réel, soit 3,23 secondes de calcul pour 9,60 secondes d’audio français, en 24 kHz. Une minute de voix coûte 20 secondes de processeur.
On est loin des six fois annoncés, dans la fourchette basse de l’éditeur (le M4 est une autre bête). Pour du texte long lancé en tâche de fond, ça ne change rien. Pour un assistant qui répond en direct, ça change tout.
Ce qui a cassé au premier essai
Le français ne démarre pas sous Windows. load_model(language="french") s’arrête sur une UnicodeDecodeError : le fichier de configuration est ouvert sans encodage explicite, Python retombe sur cp1252, et le premier octet accentué fait tomber la pile. Rien dans la fiche du modèle ne le signale.
Le correctif tient en une variable d’environnement, PYTHONUTF8=1. Dix minutes perdues, à compter dans le temps d’installation, pas dans le prix.
Deuxième surprise, le modèle téléchargé par défaut est la variante privée de clonage de voix. C’est d’ailleurs celle que prennent presque tous les utilisateurs : 11 500 téléchargements contre 1 160 pour la version complète.
Troisième, le paquet embarque sept voix et non six : estelle en français, et daan en néerlandais, langue absente de l’annonce de mai (personne n’a mis la fiche à jour).
Les limites documentées sont franches : pas d’insertion de silence par le texte à ce jour, quantification réservée au processeur, clonage soumis à une politique de consentement explicite.
Unmute : donner une voix à n’importe quel modèle de texte
Unmute, sur unmute.sh, est la vitrine jouable du laboratoire. Elle greffe une voix en temps réel sur un modèle de texte quelconque, et elle tourne sur Kyutai TTS 1.6B, pas sur Pocket TTS.
La différence compte. Le 1.6B commence à produire l’audio avant d’avoir reçu la fin du texte, ce qui rend un assistant vocal supportable à l’oreille. Pocket TTS vise l’autre bout de la chaîne, le poste de travail sans carte graphique.
Côté transcription, les mêmes dépôts publient stt-1b-en_fr : un milliard de paramètres, anglais et français, une demi-seconde de délai. Un H100 encaisse 400 flux simultanés en temps réel, un L40S en tient 64. Si c’est votre sujet, le comparatif des outils de transcription situe le reste du marché.
Côté usage quotidien, Wispr Flow vend la reconnaissance vocale comme un clavier : on parle, le texte s’écrit dans l’application ouverte, traité sur ses serveurs.
Moshi, le premier essai qui parle et écoute en même temps
Moshi date de septembre 2024 et reste la pièce la plus citée du labo : un modèle qu’on peut interrompre, parce qu’il écoute pendant qu’il parle.
Côté assistants grand public, ChatGPT vocal écoute et parle en même temps depuis juillet 2026, ce que Moshi faisait en 2024.
La suite s’appelle Hibiki en février 2025, puis Hibiki-Zero un an plus tard, en février 2026. Traduction voix à voix simultanée, sans données alignées pour l’entraînement.
Moshi ne sert pas à fabriquer des fichiers audio. C’est un objet de recherche qu’on essaie une fois pour voir où va l’interaction vocale (et on voit vite).
Kyutai contre ElevenLabs : quand la voix gratuite suffit, et quand elle ne suffit plus
ElevenLabs facture au caractère. Grille relevée le 8 octobre, en dollars : 10 000 crédits gratuits par mois, 6 $ pour 30 000, 22 $ pour 121 000, 99 $ pour 600 000. L’éditeur donne lui-même la conversion, environ un crédit par caractère et dix minutes de voix pour 10 000 crédits.
Ce qui donne deux heures de voix par mois à 22 $, dix heures à 99 $. Six épisodes de vingt minutes pour le prix d’un déjeuner.
| Usage | Pocket TTS en local | ElevenLabs |
|---|---|---|
| Coût d’une heure de voix | 20 minutes de processeur | 10,91 $ à l’offre Creator |
| Volume mensuel | sans plafond | 121 minutes à 22 $ |
| Langues | six annoncées, sept livrées | une trentaine |
| Clonage de voix | oui, variante dédiée | oui, à partir de 6 $ |
| Où partent vos textes | nulle part | sur leurs serveurs |
| Mise en route | une commande, un piège d’encodage | un compte |
Le prix n’est donc pas l’arbitrage principal. Ce que le local vous enlève, c’est le catalogue de voix professionnelles, l’API hébergée et la facture prévisible. Ce qu’il vous rend, c’est le volume sans plafond et des textes qui ne quittent jamais votre disque.
Pour qui produit de l’audio en continu, un service client, un lecteur d’articles, une base documentaire à vocaliser, la bascule se rentabilise au premier mois. Pour une voix de marque sur une vidéo par trimestre, ElevenLabs reste le choix raisonnable : le catalogue et la direction d’acteur valent les 22 $.
Verdict
La meilleure voix française gratuite pour qui sait ouvrir un terminal. Pocket TTS fait exactement ce qu’il annonce, sur un processeur ordinaire, sous une licence qui autorise la vente du résultat.
Trois cas où il faut y aller : le volume élevé, les textes confidentiels, et tout ce qui doit fonctionner hors ligne. Un cas où il ne faut pas : la voix de marque soignée, où le catalogue d’ElevenLabs garde une longueur d’avance que 100 millions de paramètres ne rattrapent pas.
Et si vous ne voulez rien installer, unmute.sh donne une idée du niveau en trente secondes. C’est du 1.6B, donc mieux que ce que vous obtiendrez chez vous, mais l’écart ne se joue pas sur la langue. Le laboratoire publie tout sur kyutai.org, poids compris.
Questions fréquentes
Pocket TTS est-il vraiment gratuit ?
Oui, poids compris, sous licence CC-BY 4.0, usage commercial autorisé avec attribution. Il n’y a ni compte, ni clé d’API, ni quota : le seul coût est le temps de calcul de votre machine, 20 secondes par minute de voix sur un processeur de bureau.
Faut-il une carte graphique ?
Non. Le modèle est conçu pour le processeur et n’occupe que deux cœurs. Un Tesla T4 le rend environ 2,6 fois plus rapide d’après la fiche officielle, mais le GPU n’est pas pris en charge officiellement et la fonction de chargement n’accepte même pas d’argument de périphérique.
Quelles langues Pocket TTS parle-t-il ?
Six langues annoncées depuis le 4 mai 2026 : français, anglais, allemand, portugais, italien et espagnol. Le paquet installé en livre une septième, le néerlandais, et la communauté a ajouté le tchèque, le polonais, le coréen et le hindi.
Quelle différence entre Pocket TTS et Kyutai TTS 1.6B ?
La taille et la destination. Le 1.6B, sorti en juillet 2025, est un modèle de serveur en flux continu qui fait tourner Unmute ; Pocket TTS, seize fois plus petit, tient sur un poste sans carte graphique.
