Qu’est-ce que Audio8 TTS ?
Audio8 TTS est une famille de modèles compacts de synthèse vocale d'Edge0 qui clonent une voix à partir d'un court enregistrement de référence et de sa transcription. La version actuelle, Audio8-TTS-Realistic-Air, compte 601 millions de paramètres plus un codec audio et prend en charge 23 langues, 12 de plus que le Preview 0.6B sur lequel elle repose. Elle a été publiée sur Hugging Face le 14 octobre 2026 avec un article décrivant un entraînement fondé sur un « critique de réalisme » qui récompense une prosodie proche de l'humain.
L'architecture reprend la conception DualAR de Fish Audio S2 Pro : un modèle lent de 24 couches prédit un token sémantique par trame et un modèle rapide de 4 couches prédit 10 codebooks du codec, avec une sortie à 44,1 kHz. Les poids sont des safetensors BF16 sous Apache 2.0, tout comme le code.
Un Preview 0.1B plus petit (environ 170 millions de paramètres plus un codec de 120 millions) vise le chinois et l'anglais et tourne sur CPU en export ONNX INT8 dans environ 0,4 Gio. Il relève d'une licence communautaire distincte qui impose une licence payante aux entreprises réalisant 2 millions de dollars US ou plus de chiffre d'affaires annuel.
Audio8 TTS vaut-il le coup ?
Audio8 TTS se distingue par sa taille plutôt que par sa qualité absolue. Sur le test Seed-TTS anglais et chinois, chiffres fournis par l'éditeur, le taux d'erreur moyen de Realistic Air est de 1,25 %, contre 1,11 % pour Higgs Audio v3 de 4B, 1,32 % pour Fish S2 Pro de 4.6B et 1,67 % pour CosyVoice3. Un modèle de 601 millions de paramètres représente environ 1,2 Go de poids en BF16 selon notre calcul, assez petit pour un GPU modeste.
Les chiffres multilingues sont moins flatteurs. Sur le jeu MiniMax de 24 langues, son erreur moyenne est de 5,89 %, contre 4,40 % pour Fish S2 Pro et 2,74 % pour Higgs Audio v3, et le modèle 0.6B de Qwen3-TTS obtient 1,12 % sur Seed-TTS, un peu mieux. La fiche présente son tableau comme une comparaison de référence et non un classement à conditions égales, et précise que la qualité varie selon la langue ; tous les chiffres viennent d'Edge0 et aucun ne mesure directement le réalisme.
Le déploiement est mieux documenté que chez la plupart des petits labos. Un adaptateur SGLang Omni fournit une API vocale compatible OpenAI avec batching ; sur une NVIDIA H20, il a mesuré 0,691 s de latence à chaud pour environ 5,9 s d'audio, soit un facteur temps réel de 0,116, mais ce test a tourné sur le Preview 0.6B, de même architecture. La fiche indique que le débit et le streaming de Realistic Air lui-même n'ont pas été mesurés, et il n'existe pas encore d'export ONNX pour lui, si bien que les utilisateurs CPU sont limités aux anciens modèles Preview.
Le hic : la provenance et les garde-fous. L'identité de l'éditeur est mince : GitHub indique Edge0-AI, Hugging Face Edge0, le code de la fiche du 0.1B renvoie à Audio8, et aucune adresse ni information sur la société n'est publiée. La fiche du 0.1B demande un consentement avant tout clonage, mais aucune des deux fiches ne mentionne de tatouage numérique. Le dépôt est actif, avec 2 361 étoiles et un push le 2 novembre 2026, et Realistic Air a cumulé 11 349 téléchargements le mois dernier.
Là où il fait la différence
Un studio de deux personnes qui localise des jeux indépendants en thaï, vietnamien et indonésien
Doubler les mêmes personnages dans toutes les langues sans frais par personnage
Cloner chaque comédien à partir d'un court extrait de référence avec sa transcription et générer les répliques par lots sur un GPU grand public ; Apache 2.0 autorise l'usage commercial. Vérifier chaque langue à l'oreille, la fiche prévenant que la qualité varie.
Un ingénieur backend dans une start-up d'agents vocaux
Servir des voix clonées à de nombreux appelants à la fois depuis un seul GPU
Faire tourner l'adaptateur SGLang Omni, qui regroupe par défaut jusqu'à 32 requêtes en cours derrière un endpoint /v1/audio/speech compatible OpenAI ; le RTF mesuré de 0,116 sur une H20 laisse penser qu'il y a de la marge, mais le débit de Realistic Air lui-même n'est pas mesuré.
Un amateur qui construit un assistant de lecture hors ligne sur un portable
Lire à voix haute du texte chinois et anglais sans GPU
Utiliser le runtime ONNX INT8 du Preview 0.1B sur CPU dans environ 0,4 Gio, avec du PCM en streaming et un serveur web local. Convient à un usage personnel ; une entreprise au-delà de 2 millions de dollars US de chiffre d'affaires a besoin d'une licence.
Avant de vous engager
- Mise en route
- Python 3.10+ et un GPU CUDA ; cloner le dépôt, lancer pip install -r requirements.txt puis audio8_tts_infer.py avec l'ID du modèle, en ajoutant un extrait de référence et sa transcription pour cloner. SGLang Omni doit être figé sur un commit testé.
- Intégrations
- Transformers (de 4.57 à moins de 5 ; la 5.x peut produire une sortie muette), SGLang Omni avec API vocale compatible OpenAI, ONNX Runtime pour les exports Preview, scripts de fine-tuning supervisé.
- Données et confidentialité
- Auto-hébergé ; rien ne quitte vos machines. Realistic Air et Preview 0.6B sont sous Apache 2.0 ; la licence communautaire du Preview 0.1B impose une licence commerciale écrite à partir de 2 millions de dollars US de chiffre d'affaires annuel, filiales comprises.
- Coût à grande échelle
- Environ 1,2 Go de poids BF16 pour le modèle 0.6B ; le serveur SGLang utilise par défaut une fraction de mémoire statique de 0,2 sur un GPU. Aucun fournisseur hébergé ne le sert actuellement.
- Limites
- 2 048 positions de texte et d'audio regroupées ; qualité inégale selon les langues ; vitesse et streaming de Realistic Air non mesurés ; les extraits de référence longs, bruités ou mal transcrits réduisent la stabilité et la ressemblance.
Les points forts
- Poids et code des modèles 0.6B sous Apache 2.0
- Taux d'erreur Seed-TTS proche de modèles six à huit fois plus gros
- 23 langues, sortie à 44,1 kHz
- Serveur SGLang Omni avec API compatible OpenAI, RTF de 0,116 sur une H20
- Le 0.1B en ONNX INT8 tourne sur CPU dans environ 0,4 Gio
Les points faibles
- Derrière Fish S2 Pro et Higgs Audio v3 sur le test en 24 langues
- Tous les benchmarks fournis par l'éditeur ; vitesse de Realistic Air non mesurée
- Pas de voie ONNX ni CPU pour Realistic Air
- Pas de tatouage numérique ; informations sur l'éditeur non publiées
- La licence du 0.1B fait payer les entreprises au-delà de 2 millions de dollars US de chiffre d'affaires
Idéal pour
Les développeurs qui ont besoin d'un clonage vocal multilingue sous licence permissive avec un petit budget GPU et qui peuvent tester la qualité dans leurs propres langues.
Alternatives à Audio8 TTS
Audio8 TTS : questions fréquentes
- Audio8 TTS vaut-il le coup ?
- Le modèle 0.6B d'Audio8 clone des voix en 23 langues avec des taux d'erreur proches de concurrents de 4B paramètres, une excellente affaire pour sa taille qui reste toutefois derrière eux sur le test multilingue le plus difficile. Nous lui donnons 3.8 sur 5.
- Combien coûte Audio8 TTS ?
- Gratuit. Les poids de Realistic Air et du Preview 0.6B sont sous Apache 2.0 ; le Preview 0.1B est gratuit pour un usage non commercial et pour les entreprises sous 2 millions de dollars US de chiffre d'affaires annuel. Pas d'API hébergée.
- Quels sont les inconvénients de Audio8 TTS ?
- Derrière Fish S2 Pro et Higgs Audio v3 sur le test en 24 langues; tous les benchmarks fournis par l'éditeur ; vitesse de Realistic Air non mesurée; pas de voie ONNX ni CPU pour Realistic Air; pas de tatouage numérique ; informations sur l'éditeur non publiées; la licence du 0.1B fait payer les entreprises au-delà de 2 millions de dollars US de chiffre d'affaires.
- À qui s’adresse Audio8 TTS ?
- Les développeurs qui ont besoin d'un clonage vocal multilingue sous licence permissive avec un petit budget GPU et qui peuvent tester la qualité dans leurs propres langues.
- Combien coûte Audio8 TTS pour une équipe ou en production ?
- Environ 1,2 Go de poids BF16 pour le modèle 0.6B ; le serveur SGLang utilise par défaut une fraction de mémoire statique de 0,2 sur un GPU. Aucun fournisseur hébergé ne le sert actuellement.
- Audio8 TTS est-il sûr pour les données de l’entreprise ?
- Auto-hébergé ; rien ne quitte vos machines. Realistic Air et Preview 0.6B sont sous Apache 2.0 ; la licence communautaire du Preview 0.1B impose une licence commerciale écrite à partir de 2 millions de dollars US de chiffre d'affaires annuel, filiales comprises.
- Quelles sont les meilleures alternatives à Audio8 TTS ?
- Les alternatives les plus proches que nous avons testées sont Qwen3-TTS, Chatterbox, OmniVoice et Kokoro-82M.
Réponses vérifiées le 5 nov. 2026.