Ollama sait parler : la synthèse vocale en local avec Phonon, pas à pas

Jusqu'ici, Ollama servait à faire tourner des modèles de texte et d'image sur sa propre machine. Depuis le 24 octobre 2026, il sait aussi transformer un texte en voix, grâce à Phonon, une famille de petits modèles publiés par Gradium. Voici comment l'essayer, et ce qu'il faut vérifier avant de s'en servir dans un cadre professionnel.

Ce qu'il faut

• Un Mac à puce Apple. Le billet d'annonce précise que la fonction est réservée à macOS pour l'instant, Windows et Linux étant annoncés pour plus tard.
• Ollama 0.40.11 ou plus récent, d'après ce même billet.

Étape 1 : télécharger le modèle et le faire parler

ollama pull phonon
ollama run phonon "Hello from Ollama."

Le son sort directement des haut-parleurs. Pour choisir une voix, ajoutez l'option --voice :

ollama run phonon --voice Hadley "Hello from Ollama."

La liste des voix disponibles s'obtient avec ollama show phonon. Lancée sans texte, la commande ollama run phonon ouvre une invite où chaque ligne saisie est lue à voix haute.

Étape 2 : enregistrer dans un fichier

Il suffit de rediriger la sortie :

ollama run phonon "Save this to a file." > speech.wav

Le fichier obtenu est un WAV mono à 24 kHz.

Étape 3 : faire lire la réponse d'un autre modèle

On peut brancher un modèle de texte sur Phonon. La lecture commence dès la première phrase, sans attendre la fin de la réponse :

ollama run gemma4 --hidethinking "Tell me a fun fact about owls in two sentences." | ollama run phonon

Étape 4 : l'appeler depuis une application

Ollama expose la synthèse vocale à une adresse compatible avec l'API d'OpenAI :

curl http://localhost:11434/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{
    "model": "phonon",
    "voice": "Zoey",
    "input": "Hello from Ollama."
  }' --output speech.wav

Les bibliothèques OpenAI pour Python et JavaScript fonctionnent aussi, en indiquant http://localhost:11434/v1 comme adresse de base et ollama comme clé.

Et en français ?

Le modèle phonon de base ne parle qu'anglais. Cinq autres variantes existent : phonon:40m-fr pour le français, des équivalents pour l'allemand, l'espagnol et le portugais, et phonon:40m-multilingual qui couvre les cinq langues.

C'est ici qu'il faut être attentif. Le modèle anglais est sous licence Apache 2.0, utilisable librement. Les variantes « 40m », dont la française, sont sous licence CC BY-NC 4.0, qui les limite à un usage non commercial.

Les limites à connaître

• 4 096 caractères par requête via l'API. En ligne de commande, Ollama découpe lui-même les textes plus longs.
• Les dates en chiffres sont lues telles quelles. La documentation conseille de les écrire en toutes lettres.
• Pas de réglage de vitesse ni d'autre format audio : seuls le WAV et le PCM brut sont acceptés, toute autre option renvoie une erreur.
• Une incohérence à vérifier : le billet d'annonce exige la version 0.40.11 et parle de macOS uniquement, alors que la documentation mentionne la version 0.40.9 et décrit la lecture audio sous Linux et Windows. Dans le doute, partez de l'exigence la plus stricte.

Côté performances, Ollama annonce une génération 35 % plus rapide que l'outil de Gradium sur un MacBook Pro M5 Max. C'est une mesure de l'éditeur, sur une seule machine.

Notre lecture

Pour une petite entreprise, l'intérêt est clair : produire une voix sans abonnement et sans faire sortir le texte de l'ordinateur, ce qui compte pour des documents internes ou des données clients. Mais la licence change tout. En l'état, la voix française convient à un prototype ou à un usage personnel, pas à un serveur vocal commercial ni à des vidéos promotionnelles. Avant tout projet, lisez la licence sur la page du modèle et, si l'usage est commercial, contactez Gradium ou restez sur le modèle anglais.