MagpieTTS 357M : la synthèse vocale en 12 langues, même sur un laptop

MagpieTTS est le modèle de synthèse vocale multilingue de NVIDIA : 364 millions de paramètres, 12 langues — dont l'italien et le français — et un fichier de 332 Mo qui tourne localement sur un simple laptop, sans GPU. C'est le second maillon de la chaîne vocale déjà vue sur ce site : Whisper transforme la voix en texte, et MagpieTTS fait l'inverse, il transforme le texte en voix.

Jusqu'à il y a un an, la synthèse vocale locale était un compromis : soit elle fonctionnait dans une seule langue, soit elle avait l'accent d'un robot. Un modèle unique couvrant 12 langues avec la même identité de voix dans chacune, c'est autre chose. Et ça coûte moins cher qu'une heure de vie.

Qu'est-ce que MagpieTTS Multilingual 357M

NVIDIA a publié sur Hugging Face MagpieTTS Multilingual : un modèle de text-to-speech de bout en bout, architecture transformer encoder-décodeur, 364M de paramètres et licence open qui autorise l'usage commercial. Il couvre douze langues : arabe, chinois, anglais, français, allemand, hindi, italien, japonais, coréen, portugais, espagnol et vietnamien.

La version actuelle est la v2607 (juillet 2026), qui a ajouté l'arabe, le coréen et le portugais aux neuf langues de la v2602 de mars. Des checkpoints antérieurs (v2512 de janvier) existent si vous voulez une installation épinglée.

Sous le capot, le modèle ne « dessine » pas l'audio comme le ferait un modèle d'images : il prédit les tokens d'un codec vocal (NanoCodec, 22 kHz, 1,89 kbit/s, 21,5 images par seconde) puis les décode en WAV mono 16 bits. La qualité dépend autant de ce codec que du modèle de texte — le même principe qu'un film bien compressé, lisible même à faible débit.

Cinq voix, Aria, Jason, Leo, Sofia et John Van Stan, avec des tons différents. La sortie est toujours un fichier WAV : aucun serveur, aucune API, aucune donnée envoyée hors de la machine.

Les exigences : les calculs

Voici le point qui compte vraiment : à quoi ça a droit pour tourner ?

	MagpieTTS 357M
Fichier modèle (GGUF Q8_0)	332 Mo
Fichier modèle (F16 complet)	569 Mo
RAM totale estimée (modèle + codec)	moins de 1 Go
GPU	non requis (supporté en option)

Les chiffres viennent de la fiche du modèle : la quantification Q8_0 pèse 332 Mo, la version à précision complète 569 Mo. Le décodeur NanoCodec qui convertit les tokens en audio ajoute quelques centaines de Mo. Au total : moins d'un gigaoctet de RAM. Un laptop de 8 Go, un Raspberry Pi 5, un vieux desktop : tous y arrivent.

Le moteur est NeMo-Speech.cpp, le runtime C++ natif de NVIDIA (v0.2.0, octobre 2026) pour Linux, macOS et Windows, qui tourne en CPU et, si une GPU NVIDIA est présente, aussi en CUDA. Il télécharge automatiquement le modèle GGUF, le tokenizer et le codec : aucune configuration, aucun environnement Python.

Face à l'alternative historique de la voix locale, Piper, la différence est une question d'approche :

	MagpieTTS 357M	Piper
Paramètres	364M	modèles compacts par langue
Langues	12, même modèle	une par modèle
Voix	5, partagées entre langues	nombreuses, une par langue et par voix
Installation	binaire C++ + 332 Mo	Python + modèle par langue
Licence	NVIDIA Open Model License (usage commercial OK)	GPL-3.0

Piper dispose d'une voix française spécifique et d'une communauté immense ; MagpieTTS a la couverture multilingue dans un seul fichier. Si vous utilisez la voix dans deux ou trois langues, MagpieTTS gagne sur le pratique. Si vous avez besoin d'une voix française qui sonne française, Piper est aujourd'hui devant — et plus généralement, le plus petit modèle reste celui qui tourne le mieux sur un portable.

Du zéro au premier audio

Le chemin le plus court est le runtime C++ :

1. Installez NeMo-Speech.cpp en suivant le guide d'installation (binaire précompilé pour Linux/macOS, ou build depuis les sources).
2. Téléchargez le modèle : nemo-speech pull magpie — il prend la v2607 GGUF, le tokenizer et NanoCodec. Si vous voulez seulement les fichiers sans synthétiser, ce commandement suffit.
3. Synthétisez : nemo-speech synthesize "Bonjour, je suis votre voix locale." --output voix.wav — au lieu de voix.wav, vous devez retrouver un fichier audio de quelques secondes et l'ouvrir : c'est le résultat.

Si ça ne marche pas : si l'étape 2 échoue au téléchargement, vérifiez la connexion (les fichiers viennent de Hugging Face) ; si l'étape 3 ne produit pas le fichier, contrôlez que le dossier de sortie existe et est accessible en écriture. Le runtime affiche aussi en local les logs de normalisation du texte, utiles pour voir où ça bloque.

Pour ceux qui veulent programmer, il y a la voie Python avec le framework NeMo Speech :

pip install nemo_toolkit[tts]@main

from nemo.collections.tts.models import MagpieTTSModel
model = MagpieTTSModel.from_pretrained("nvidia/magpie_tts_multilingual_357m")
audio, _ = model.do_tts("Bonjour, le monde.", language="fr", speaker_index=4)

Il faut Python ≥ 3.10.12 et une version récente de PyTorch. La voie C++ est pour faire tourner ; la voie Python est pour intégrer et expérimenter.

Et les limites ?

Chaque voix a un prix, et ici il y en a deux.

Les douze langues utilisent les mêmes cinq voix. Aria sonne comme Aria en français comme en vietnamien : c'est un choix de conception (identité constante entre les langues, utile pour un agent vocal), mais vous n'y trouverez pas une voix à prononciation française native. Pour un produit destiné à des francophones, ça se sent.

La fidélité au texte dépend de la normalisation. Les nombres, sigles et abréviations sont gérés par le normalisateur intégré du modèle pour les douze langues ; en pratique, si vous écrivez « TVA 20 % » et que vous voulez entendre « tva vingt pour cent », le normalisateur doit le comprendre. Pour des domaines techniques avec leurs propres sigles, les tests comptent plus que les spécifications.

Il y a aussi une limite de licence à garder en tête : la NVIDIA Open Model License autorise l'usage commercial mais a ses propres conditions à lire, ce n'est pas une licence libre type MIT ou Apache.

Où le mettre

Le cas d'usage le plus naturel est la chaîne complète en local : Whisper écoute, le modèle de texte raisonne, MagpieTTS répond. C'est l'architecture d'un assistant vocal, sans un seul octet qui traverse le réseau. Pour ceux qui arrivent d'ici, la voix locale commence par Whisper au text-to-speech ; et si le modèle de texte n'est pas encore installé, exécuter un LLM localement est le premier pas.

En résumé

MagpieTTS Multilingual 357M est la synthèse vocale locale la plus complète sortie cette saison : 12 langues, français inclus, dans un fichier de 332 Mo qui tourne sur n'importe quel laptop sans GPU. Le runtime C++ de NVIDIA mène du zéro au premier audio en trois commandes, et la licence autorise l'usage commercial. La limite honnête : les cinq voix sont anglaises dans toutes les langues, et pour une voix française native Piper reste devant. Si vous utilisez la voix dans plusieurs langues, MagpieTTS est le bon choix ; si dans une seule, regardez aussi l'alternative.

Sources

• Fiche du modèle MagpieTTS Multilingual 357M — Hugging Face
• NeMo-Speech.cpp — GitHub NVIDIA
• Piper TTS — GitHub

Article généré par IA