Test et guide d'installation de Kitten TTS : un modèle de synthèse vocale de 23MB

La plupart des modèles de synthèse vocale supposent un GPU et des gigaoctets de disque. Kitten TTS prend le chemin inverse : 15 millions de paramètres et environ 23MB sur disque, ce qui en faisait sans doute le plus petit modèle de synthèse vocale fonctionnel disponible.

Il propose plusieurs voix expressives, synthétise la parole en temps réel sur un CPU et est open source sous la licence permissive Apache 2.0. Cela convient aux développeurs qui conçoivent pour du matériel embarqué, des projets Raspberry Pi ou des applications dans le navigateur, où la taille et la vitesse du modèle comptent le plus.

Points forts

• Une empreinte réduite : avec 23MB, il tourne presque partout, des ordinateurs portables au Raspberry Pi en passant par les appareils en périphérie.
• Pas de GPU : l'inférence tourne sur le CPU, ce qui limite la consommation d'énergie et le coût.
• Huit voix intégrées, quatre masculines et quatre féminines, chacune avec une certaine expressivité.
• La vitesse : la génération se fait souvent en temps réel ou presque sur un CPU ordinaire.
• Entièrement hors ligne : tout tourne en local sans appel d'API, ce qui aide les applications qui traitent des données privées.

Points faibles

• La qualité audio : le grain, les coupures et les artefacts sont perceptibles, surtout dans les phrases longues ou plus expressives.
• Anglais uniquement pour l'instant ; les développeurs annoncent la prise en charge multilingue « bientôt ».
• Aucun contrôle explicite de l'émotion ou de la prosodie, même si les voix sont expressives.
• C'est une préversion : elle fonctionne, mais n'est pas prête pour la production.

Installer Kitten TTS sous Linux (CPU)

Prérequis

• Python 3.8 ou plus récent
• Ubuntu ou une autre distribution Linux basée sur Debian
• Facultatif : un environnement virtuel
• Aucun GPU nécessaire

1. Créer un environnement virtuel (recommandé)

python3 -m venv kittenenv
source kittenenv/bin/activate

2. Installer le paquet

KittenML publie le modèle sous forme de wheel sur GitHub :

pip install https://github.com/KittenML/KittenTTS/releases/download/0.1/kittentts-0.1.0-py3-none-any.whl

L'exemple d'utilisation de base se trouve sur la page Hugging Face du modèle.

Ce guide supposait à l'origine que Kitten TTS pouvait aussi être chargé via la bibliothèque TTS de Mozilla ou l'un de ses forks, avec ces étapes :

git clone https://github.com/mozilla/TTS.git
cd TTS
pip install -r requirements.txt
python setup.py install

Vérifiez dans le dépôt Mozilla TTS l'existence d'un chargeur de modèle ou d'une interface Gradio distincts avant de compter sur cette voie.

Exemple : une application Gradio en local

Ce code construit une interface Gradio simple autour du modèle, en passant par la voie Mozilla TTS ci-dessus :

# app.py
import gradio as gr
from TTS.api import TTS

tts = TTS("tts_models/en/kitten-tts/nano", progress_bar=False, gpu=False)

def speak(text, voice):
    return tts.tts(text, speaker=voice)

demo = gr.Interface(
    fn=speak,
    inputs=[gr.Text(label="Text"), gr.Radio(["1F", "2F", "3M", "4M"], label="Voice")],
    outputs="audio"
)

demo.launch()

Lancez ensuite :

python app.py

Ouvrez http://localhost:7860 pour l'essayer.

Performances

Selon le test d'origine, l'inférence est rapide même sur du matériel modeste comme des CPU double cœur ou des machines virtuelles : moins de 2 secondes pour une phrase standard. L'usage de mémoire reste sous 1GB et la charge CPU est légère.

Le hic : les phrases longues peuvent sortir incomplètes, l'audio peut sembler granuleux ou robotique selon la voix et la charge du système, et la lecture dans un navigateur peut prendre du retard, ce qui tient probablement au navigateur plutôt qu'au modèle.

Sa place

Kitten TTS n'a pas vocation à remplacer des modèles haute fidélité comme ElevenLabs, XTTS ou Bark. Sa taille et sa licence permissive conviennent à d'autres usages :

Cas d'usage	Pourquoi Kitten TTS convient
Appareils embarqués	Tient en moins de 50MB au total ; pas de GPU
Applications axées sur la confidentialité	Entièrement hors ligne ; pas d'API tierces
Prototypage rapide	Rapide pour tester des parcours d'interface avec la voix
Éducation	Bien pour des démonstrations en classe et des travaux pratiques d'informatique
Compagnons IA	S'associe à de petits LLM pour des agents locaux
Sites statiques	Narration vocale locale sans le cloud

Note

Catégorie	Note
Qualité audio	2/5
Vitesse d'inférence	5/5
Consommation de ressources	5/5
Variété des voix	4/5
Expérience développeur	4/5
Valeur open source	5/5

Note globale : 4,2 sur 5.

Notre avis : la qualité n'est pas au niveau des meilleurs modèles, mais là où une voix légère et hors ligne compte plus que la finition, Kitten TTS est déjà suffisant, et il montre qu'une parole utilisable n'exige plus un gros téléchargement ni un GPU haut de gamme.

Pour une alternative haute fidélité, consultez notre test d'ElevenLabs.