Qu’est-ce que ChatTTS ?
ChatTTS est un modèle de synthèse vocale de 2noise conçu pour le dialogue parlé, par exemple la voix d'un assistant fondé sur un LLM, en chinois et en anglais. Vous pouvez insérer dans le texte des tokens de contrôle comme [laugh], [uv_break] et [lbreak], ou régler au niveau de la phrase le degré d'oralité, de rire et de pauses, et tirer au hasard un speaker embedding pour obtenir une nouvelle voix. La sortie est un audio à 24 kHz.
L'équipe affirme que son modèle principal a été entraîné sur plus de 100 000 heures d'audio chinois et anglais, mais la version ouverte est un modèle de base de 40 000 heures sans fine-tuning supervisé. Les poids sur Hugging Face ont été mis à jour pour la dernière fois en octobre 2024. Pour décourager les abus, les auteurs ont ajouté un peu de bruit haute fréquence à l'entraînement et compressé l'audio en MP3 : le modèle ouvert sonne volontairement moins bien qu'il ne le pourrait.
Les licences sont à lire en premier. Le code est sous AGPLv3 ou ultérieure, qui vous oblige à publier votre code source si vous proposez une version modifiée comme service en réseau. Les poids du modèle sont sous CC BY-NC 4.0, et le README les réserve à un usage académique et de recherche, pas commercial. Le dépôt compte environ 40 000 étoiles ; v0.2.5, publiée le 10 avril 2026, est la dernière version et le dernier commit.
ChatTTS vaut-il le coup ?
ChatTTS est un outil de recherche pour la parole conversationnelle, et sa licence en fait une limite ferme plutôt qu'une recommandation. Les poids sous CC BY-NC 4.0 interdisent l'usage commercial, le code sous AGPLv3+ impose de partager le code source à quiconque sert une version modifiée en réseau, et 2noise ne publie aucune licence commerciale à acheter. Une startup qui construit un assistant vocal payant ne peut pas le livrer avec.
Dans ces limites, il fait une chose que beaucoup de modèles de synthèse ouverts font encore mal : il sonne comme une conversation et non comme une lecture. La prosodie se règle à deux niveaux. Un prompt au niveau de la phrase comme [oral_2][laugh_0][break_6] fixe à quel point la voix bavarde, rit et marque des pauses, et des tokens au niveau du mot placent un rire ou une pause exactement où vous le voulez. Le tirage aléatoire de locuteurs donne de nouvelles voix, et l'embedding sauvegardé permet de retrouver la même voix plus tard.
Le hic : le modèle ouvert n'est pas celui que décrit l'équipe. C'est une base de 40 000 heures sans fine-tuning, face à un modèle principal entraîné sur plus de 100 000 heures, et les auteurs ont ajouté exprès du bruit haute fréquence et une compression MP3. La FAQ reconnaît l'instabilité propre aux modèles autorégressifs, comme une voix qui change de locuteur ou une qualité audio qui baisse, et conseille de générer plusieurs échantillons pour en garder un. Seuls l'anglais et le chinois sont pris en charge, et le README qualifie l'anglais d'expérimental. La FAQ indique au moins 4GB de mémoire GPU pour un extrait de 30 secondes et un facteur temps réel d'environ 0.3 sur une RTX 4090.
La maintenance se limite désormais à l'entretien. v0.2.5, en avril 2026, a corrigé des cassures avec les nouvelles versions de Transformers et ajouté une prise en charge partielle de DirectML ; les poids n'ont pas changé depuis octobre 2024, et le contrôle de plusieurs émotions prévu dans la feuille de route n'est pas sorti. Environ 60 issues sont ouvertes.
Notre avis : ChatTTS est une bonne référence de ce que devrait être une prosodie conversationnelle, comme un concept-car montre la direction d'un design ; tout ce que vous comptez vendre exige un modèle sous licence permissive.
Là où il fait la différence
Une chercheuse en parole dans un laboratoire universitaire
Comparer l'effet des tokens de prosodie sur le naturel perçu d'un dialogue
Générer les mêmes scripts avec et sans les tokens [laugh] et [uv_break], fixer le speaker embedding pour que seule la prosodie varie, puis mener un test d'écoute. Gratuit sous CC BY-NC 4.0 pour un travail académique ; un GPU de 4GB suffit.
Un amateur qui construit en local un bot compagnon parlant chinois
Donner aux réponses d'un LLM une voix qui sonne comme une discussion détendue
Envoyer le texte du LLM à chat.infer avec un speaker embedding sauvegardé et une température basse pour la cohérence. Usage personnel non commercial uniquement ; prévoir de régénérer de temps en temps un extrait instable.
Avant de vous engager
- Mise en route
- pip install ChatTTS (ou cloner le dépôt et installer requirements.txt, avec Python 3.11 dans l'exemple conda). chat.load() télécharge les poids depuis Hugging Face ; examples/web/webui.py lance une interface web locale et examples/cmd/run.py écrit des fichiers MP3.
- Intégrations
- API Python avec inférence par lots ; vLLM en option sous Linux ; génération en streaming ; poids sur Hugging Face. Les interfaces de la communauté sont recensées dans l'index Awesome-ChatTTS, pas dans le dépôt principal.
- Données et confidentialité
- Fonctionne entièrement en local ; le texte n'est envoyé nulle part. Code sous AGPLv3+, poids sous CC BY-NC 4.0, pour un usage académique et de recherche selon le README. Les auteurs disent avoir entraîné un détecteur pour leur audio, sans l'avoir publié.
- Coût à grande échelle
- Pas d'édition payante ni de licence commerciale, donc aucun coût de production légal à citer. La recherche demande au moins un GPU de 4GB selon la FAQ.
- Limites
- Anglais et chinois seulement, l'anglais étant expérimental ; seuls [laugh], [uv_break] et [lbreak] comme tokens au niveau du mot ; l'instabilité autorégressive impose des essais répétés ; facteur temps réel d'environ 0.3 sur une RTX 4090 ; le README déconseille d'installer TransformerEngine et FlashAttention-2.
Les points forts
- Contrôle du rire, des pauses et de l'oralité au niveau de la phrase et du mot
- Prosodie adaptée au dialogue, que les auteurs placent au-dessus de la plupart des modèles TTS ouverts
- Tirage aléatoire de locuteurs avec des embeddings de voix réutilisables
- pip install ChatTTS, plus une interface web et un exemple en ligne de commande
Les points faibles
- Poids sous CC BY-NC 4.0 : pas d'usage commercial, aucune licence payante
- Le code AGPLv3+ impose de publier le source des services réseau modifiés
- Le modèle ouvert est une base de 40 000 heures avec bruit volontaire et compression MP3
- L'anglais est expérimental ; poids inchangés depuis octobre 2024
Idéal pour
Les chercheurs et amateurs qui étudient la parole conversationnelle en chinois ou en anglais et n'utiliseront jamais le résultat dans un produit commercial.
Alternatives à ChatTTS
ChatTTS : questions fréquentes
- ChatTTS vaut-il le coup ?
- ChatTTS donne encore à un agent vocal de recherche des rires et des pauses convaincants en chinois et en anglais, mais ses poids non commerciaux, la dégradation volontaire de l'audio et un modèle inchangé depuis 2024 l'excluent de tout produit. Nous lui donnons 3.4 sur 5.
- Combien coûte ChatTTS ?
- Gratuit. Le code est sous AGPLv3+ ; les poids du modèle sont sous CC BY-NC 4.0, donc pas d'usage commercial. Aucune licence payante ou commerciale n'est publiée.
- Quels sont les inconvénients de ChatTTS ?
- Poids sous CC BY-NC 4.0 : pas d'usage commercial, aucune licence payante; le code AGPLv3+ impose de publier le source des services réseau modifiés; le modèle ouvert est une base de 40 000 heures avec bruit volontaire et compression MP3; l'anglais est expérimental ; poids inchangés depuis octobre 2024.
- À qui s’adresse ChatTTS ?
- Les chercheurs et amateurs qui étudient la parole conversationnelle en chinois ou en anglais et n'utiliseront jamais le résultat dans un produit commercial.
- Combien coûte ChatTTS pour une équipe ou en production ?
- Pas d'édition payante ni de licence commerciale, donc aucun coût de production légal à citer. La recherche demande au moins un GPU de 4GB selon la FAQ.
- ChatTTS est-il sûr pour les données de l’entreprise ?
- Fonctionne entièrement en local ; le texte n'est envoyé nulle part. Code sous AGPLv3+, poids sous CC BY-NC 4.0, pour un usage académique et de recherche selon le README. Les auteurs disent avoir entraîné un détecteur pour leur audio, sans l'avoir publié.
- Quelles sont les meilleures alternatives à ChatTTS ?
- Les alternatives les plus proches que nous avons testées sont VibeVoice et audio.cpp.
Réponses vérifiées le 14 nov. 2026.