Pocket TTS : Kyutai descend sous les 2 millions de paramètres pour la synthèse vocale

Pocket TTS est l'outil de synthèse vocale (« text-to-speech », du texte vers la voix) de Kyutai, laboratoire financé par le groupe Iliad, CMA CGM et Schmidt Sciences. Sa particularité : il fonctionne sur le processeur d'un ordinateur ordinaire, sans carte graphique. Le 20 octobre 2026, Kyutai a publié une note technique au titre parlant, selon laquelle son petit modèle était encore dix fois trop gros. Le dépôt GitHub du projet propose désormais des variantes anglaises nettement réduites.

Ce qui est nouveau

Le modèle standard de Pocket TTS compte environ 100 millions de paramètres. Le README du projet liste maintenant trois modèles anglais plus petits, décodeur compris :

• english_18m_2026-10 : 18,2 millions de paramètres ;
• english_7m_2026-10 : 6,9 millions ;
• english_2m_2026-10 : 1,9 million.

Des variantes suffixées _refl, par exemple english_7m_refl_2026-10, ont reçu un affinage supplémentaire par récompense.

Ce que fait l'outil

D'après le README, pour Pocket TTS en général :

• le premier morceau de son arrive en 200 millisecondes environ ;
• la génération va environ six fois plus vite que le temps réel sur le processeur d'un MacBook Air M4 ;
• deux cœurs de processeur suffisent ;
• le son est diffusé au fil de l'eau et les textes très longs sont acceptés ;
• une voix peut être clonée à partir d'un fichier WAV.

Les langues officiellement prises en charge sont l'anglais, le français, l'allemand, le portugais, l'italien, l'espagnol et le néerlandais. Le dépôt est sous licence MIT ; les voix fournies ont leurs propres licences, détaillées sur Hugging Face.

Installation

Il faut Python 3.10 à 3.14 et PyTorch 2.5 ou plus récent.

pip install pocket-tts
pocket-tts generate

Pour lancer un serveur local :

pocket-tts serve

Le choix du modèle passe par l'option --language, par exemple --language english_7m_2026-10. Des exécutables autonomes écrits en Rust existent aussi pour Linux, macOS et Windows, sans Python à installer.

Les limites

• Les trois petits modèles ne parlent que l'anglais.
• Le README ne donne ni mesure de qualité ni mesure de vitesse propres à ces variantes. Les chiffres ci-dessus valent pour Pocket TTS dans son ensemble, et ce sont ceux du projet, pas d'un test indépendant.
• Il ne dit pas non plus si le clonage de voix fonctionne aussi bien avec les modèles réduits.
• Insérer des silences dans le texte pour marquer des pauses n'est pas pris en charge.
• L'usage d'une carte graphique n'est pas officiellement géré : la commande serve et l'image Docker tournent toujours sur processeur.
• Une politique d'usage interdit notamment d'imiter la voix d'une personne sans son consentement explicite.

Précision de méthode : nous nous appuyons ici sur le README du dépôt. Le détail de la note technique du 20 octobre, notamment la façon dont la taille a été réduite, n'est pas repris dans cet article.

Notre lecture

Pour une petite entreprise française, l'intérêt immédiat de Pocket TTS reste le modèle standard, qui parle français et tourne sur un poste de travail : lecture de documents à voix haute, messages d'accueil, prototypes d'assistant vocal, le tout sans envoyer de texte à un service extérieur. Les modèles miniatures sont pour l'instant une affaire de développeurs qui visent l'anglais et du matériel très modeste, ou qui veulent embarquer une voix dans une application. À écouter soi-même avant tout choix : en synthèse vocale, le nombre de paramètres ne dit rien de l'agrément d'une voix. Si vous clonez une voix, faites-le avec un accord écrit de la personne concernée.