Ollama voice : la synthèse vocale locale, de la ligne de commande à l'API OpenAI

La synthèse vocale n'est plus une expérience à mettre dans la file derrière le modèle : c'est une commande. ollama run phonon "Bonjour, voici mon IA locale" génère de l'audio parlé en local, sans cloud, sans clé API, et dès aujourd'hui il peut parler pendant que le modèle répond — phrase par phrase, avant même que la réponse ne soit finie. C'est le pas où votre IA cesse d'être un champ de texte et commence à exister dans le monde : comme une voiture que vous ne regardez plus seulement sur le tableau de bord, mais que vous entendez vraiment dans le garage, allumée et prête.
Comment ça marche : une ligne, et la voix démarre
Le premier modèle voice d'Ollama est Phonon, la famille de TTS compacts de Gradium. L'installation tient en deux lignes :
ollama pull phonon
ollama run phonon "Bonjour, c'est Ollama."
Et l'audio commence à sortir. La voix se choisit avec --voice :
ollama run phonon --voice Hadley "Bonjour, c'est Ollama."
Toutes les voix disponibles s'affichent avec ollama show phonon. Deux commandes, zéro configuration, et le WAV sort de la console : pour le sauver, ollama run phonon "Texte" > voix.wav suffit.
Pour ceux qui veulent une interface, les réponses de n'importe quel modèle chat peuvent être pipées vers Phonon, et c'est là que se trouve le détail qui change l'expérience : le texte est lu pendant qu'il arrive. La première phrase est lue non pas quand le modèle termine sa réponse, mais quand la première phrase est prête.
ollama run gemma4 "Raconte-moi un fait curieux sur les hibou en deux phrases." | ollama run phonon
Les chiffres : quelle vitesse, quel poids
Sur Apple Silicon, Ollama accélère Phonon avec MLX, le framework de machine learning d'Apple. Le chiffre qui compte : sur un MacBook Pro M5 Max, Ollama est 35 % plus rapide que le runtime de référence de Gradium lui-même, l'engine du vendor — et la qualité n'en souffre pas : le word error rate coïncide avec celui de l'implémentation de référence sur Hugging Face Transformers.
La famille de modèles :
| Modèle | Langues | Licence |
|---|---|---|
phonon | anglais | Apache 2.0 |
phonon:40m-fr | français | CC BY-NC 4.0 |
phonon:40m-de | allemand | CC BY-NC 4.0 |
phonon:40m-es | espagnol | CC BY-NC 4.0 |
phonon:40m-pt | portugais | CC BY-NC 4.0 |
phonon:40m-multilingual | les cinq langues | CC BY-NC 4.0 |
« Compacts » n'est pas du marketing : la variante multilingue est un GGUF de un peu plus de 60 Mo (q4k), un modèle qui tient dans la poche de n'importe quel Mac. L'audio sort en 24 kHz mono, WAV par défaut, ou samples raw 16 bits si vous demandez "response_format": "pcm".
De l'endpoint OpenAI-compatible à votre code
Pour ceux qui construisent, Phonon est déjà intégrée là où le code s'attend à trouver la voix : l'endpoint /v1/audio/speech, celui de l'API OpenAI. Un code existant avec le SDK OpenAI ne change que l'URL de base :
curl http://localhost:11434/v1/audio/speech \
-H "Content-Type: application/json" \
-d '{"model": "phonon", "voice": "Zoey", "input": "Bonjour"}' \
--output voix.wav
En Python, quelques lignes, streaming inclus : le client ouvre la réponse et sauvegarde le fichier pendant que l'audio est généré, l'application peut donc commencer à le lire tout de suite. En Node.js, c'est la même histoire. Et pour la lecture dans la console, la paire qui ne vieillit pas :
curl -sN http://localhost:11434/v1/audio/speech \
-H "Content-Type: application/json" \
-d '{"model": "phonon", "input": "La lecture commence tout de suite."}' \
| ffplay -nodisp -autoexit -loglevel error -
Trois façons d'utiliser la même voix — ligne de commande, pipe, API — et aucune ne touche le réseau : le texte et l'audio restent sur la machine.
Et les limites ?
Trois, et il faut les dire avant tout le reste.
L'italien n'y est pas encore. Les langues sont l'anglais, le français, l'allemand, l'espagnol et le portugais. Pour la voix en italien aujourd'hui, on s'appuie sur les TTS déjà au catalogue, comme MagpieTTS de NVIDIA ; la nouvelle à surveiller, c'est que la famille Phonon est née multilingue par défaut, donc un tag 40m-it est le coup le plus probable, pas un miracle.
MacOS uniquement, pour l'instant. Windows et Linux sont annoncés mais pas encore disponibles. Sur Mac, ça tourne avec Ollama 0.40.11 ou supérieur ; avant tout le reste, ollama -v.
Attention aux licences. Le modèle principal en anglais est Apache 2.0, mais les variantes 40M — celles qui sont multilingues — sont CC BY-NC 4.0 : usage non commercial. Si le cas d'usage est en entreprise, le modèle à utiliser aujourd'hui est phonon en anglais ; les langues à 40M sont le choix juste pour l'usage personnel.
Et une dernière limite de format : 24 kHz mono, c'est une écoute solide pour un assistant ou la synthèse de contenus, pas un audio de studio. Qui cherche le top de la naturalité reste sur les modèles TTS plus gros, mais on ne peut pas tout avoir : vitesse, compacité et qualité studio, sur un portable, ça ne tient pas dans le même paquet.
Pas pour démarrer
1. Mettez à jour Ollama. ollama -v doit afficher 0.40.11 ou supérieur ; si elle est vieille, télécharge la nouvelle version depuis le site d'Ollama. Si ça ne va pas : après la mise à jour, ollama pull phonon doit télécharger ; une erreur 404 sur le pull veut dire que la version est encore trop vieille.
2. Première voix. ollama run phonon "Si vous entendez cette voix, la synthèse vocale locale fonctionne.". Vous entendez un WAV : la shell n'affiche rien, le son arrive tout seul. Si ça ne va pas : vérifiez la sortie audio du système — le fichier est là, la shell ne le lit pas à votre place.
3. Choisissez la langue. Pour l'anglais c'est phonon ; pour le français, l'allemand, l'espagnol et le portugais, utilisez les tags 40m-fr, 40m-de, 40m-es, 40m-pt, ou phonon:40m-multilingual pour les couvrir toutes. Si ça ne va pas : ollama show phonon liste les tags et les voix réellement disponibles sur votre installation.
4. Faites-le parler pendant qu'il répond. Le pipe : ollama run gemma4 "Deux phrases sur les API." | ollama run phonon. La première phrase commence à sonner avant que la réponse soit complète.
5. Intégrez-le dans votre code. Pointe l'endpoint OpenAI vers http://localhost:11434/v1 avec api_key: "ollama" et appelle audio.speech avec model: "phonon". Si le projet est en Python ou Node, les exemples ci-dessus se copient tels quels.
Sources
- Speech models in Ollama — annonce officielle, benchmark MLX, voix, licences et endpoint API (Ollama, 24 octobre 2026)
- gradium/phonon et gradium/phonon-voices — les modèles au catalogue Hugging Face
- Ollama vs llama.cpp : sous le capot — le moteur qui sert maintenant aussi la voix
- La voix locale : de Whisper au text-to-speech — la carte complète de la voix en local
En résumé
Ollama génère maintenant la voix en local avec Phonon : une commande pour démarrer, un endpoint OpenAI-compatible pour l'intégrer, et la lecture en streaming de la réponse de n'importe quel modèle chat. Sur Apple Silicon, il est 35 % plus rapide que le runtime de référence du vendor, avec la même précision. Les variantes multilingues 40M couvrent le français, l'allemand, l'espagnol et le portugais (usage non commercial) ; l'anglais est Apache 2.0. L'italien, Windows et Linux arriveront ; pour l'audio d'aujourd'hui, la voix locale est déjà dans votre ligne de commande.
Article généré par IA
Dans ces parcours
Vous avez aimé cet article ?
Abonnez-vous à la newsletter pour recevoir de nouveaux tutoriels et guides.
Articles Correlés

Turnbook : la mémoire locale des agents de coding, sans appel au modèle
Chaque conversation enregistrée mot pour mot dans un fichier SQLite, sans appel au modèle : recherche par embeddings locaux, 3,1k tokens par réponse. 91,8 % sur LongMemEval, zéro token pour enregistrer.

SynthAPI : environnements synthétiques et scaling laws pour entraîner des agents tool-use
Environnements synthétiques aux échecs réglables pour entraîner des agents tool-use en local : les scaling laws de SynthAPI et le calcul — ~1,60 € d'énergie contre ~158 € d'API pour 10 000 tâches.

