Deux modèles vocaux viennent de rehausser la barre : 50 ms avant le premier son, et un modèle de 99 M sur le CPU d'un ordinateur portable

Deux sorties de synthèse vocale la même semaine pointent vers la même conclusion par des directions opposées. L'une a poussé la latence jusqu'à la limite du perceptible. L'autre a réduit la taille jusqu'à ce qu'un ordinateur portable puisse la garder en mémoire. Ensemble, elles montrent à quelle vitesse la course à la synthèse vocale est passée du fait de sonner humain à celui de tenir quelque part de précis.

Le premier vient de Gradium, une startup vocale qui a annoncé un modèle TTS avec environ 50 millisecondes avant le premier son. L'entreprise affirme qu'il s'agit de la latence la plus faible parmi les modèles TTS de pointe. Le second est Supertonic, un modèle open source de 99 millions de paramètres qui s'exécute localement sur le CPU d'un ordinateur portable, produit un audio de qualité studio en moins d'une seconde et, dans les tests de l'entreprise, prononçait correctement des numéros de téléphone et d'autres textes difficiles là où ElevenLabs, OpenAI et Gemini TTS échouaient tous sur la même entrée.

Pourquoi la latence du premier son est la métrique

Pour un assistant vocal, le chiffre qui compte est le temps avant que le premier son n'atteigne l'utilisateur, plutôt que le temps de rendu du clip complet. Un agent conversationnel qui marque une pause d'un tiers de seconde avant de parler paraît déjà lent ; un autre qui atteint 50 millisecondes conserve le rythme d'un échange ordinaire. C'est ce seuil qui explique pourquoi les paliers tarifaires des modèles de pointe, la gestion des interruptions dans les modèles vocaux en temps réel et les affirmations de latence se regroupent tous autour des mêmes quelques dixièmes de seconde.

Les modèles plus petits atteignent plus facilement cette plage, et c'est le compromis honnête. Un modèle de 99 M de paramètres qui s'exécute sur un CPU abandonne l'expressivité d'un modèle cloud de pointe et gagne ce que ce modèle ne peut pas offrir : aucun aller-retour réseau, aucun coût par appel, aucun audio qui quitte l'appareil et un comportement prévisible sur une machine déjà posée sur le bureau.

Le problème des textes difficiles est un problème de dictionnaire

Le résultat de Supertonic sur les numéros de téléphone met en lumière une défaillance plus discrète. Les modèles de synthèse traitent bien les phrases ordinaires et trébuchent sur les chaînes dont la lecture correcte dépend du contexte ou d'une convention. Numéros de téléphone, noms de produits, adresses et abréviations ressortent régulièrement déformés, ce qui en fait le cas d'échec classique en démonstration.

Une troisième sortie aborde ce point sous un angle différent. Onepin se positionne non pas comme un modèle, mais comme une étape d'assurance qualité après la synthèse. Il vérifie chaque ligne générée par rapport à un dictionnaire de prononciation d'environ quatre millions de mots, couvrant les noms et les produits, note la naturalité et la précision, et corrige un seul mot mal prononcé sans régénérer toute la ligne. Pour les équipes qui produisent de longs audios, pouvoir réparer un mot au lieu de rendre à nouveau un segment de cinq minutes change réellement la courbe des coûts.

L'approche par dictionnaire sépare aussi deux tâches qui avaient été fusionnées. Le modèle gère la prosodie, l'émotion et le débit. Le vérificateur gère l'ensemble fini de noms propres qu'un modèle général n'allait jamais prononcer de manière fiable. Cette séparation est plus utile qu'un encodeur légèrement meilleur.

Un quatrième modèle montre le niveau requis en streaming

Sopro V2 Turbo, un modèle de 120 M, est en préparation avec une version qui cible la rugosité et les coupures sur les voix clonées. Il annonce environ 300 millisecondes avant le premier son sur le CPU d'un ordinateur portable, un vrai streaming, une licence Apache 2.0 et une couverture de l'anglais, du portugais européen, du français et de l'allemand. Son auteur reconnaît franchement que les voix fines ou cartoon, les extraits de référence bruyants et certains locuteurs hors distribution échouent encore, et il collecte ces exemples.

Lues ensemble, ces quatre sorties montrent que la pointe s'est scindée en voies distinctes. Les modèles cloud continuent de pousser l'expressivité et la couverture multilingue. Les petits modèles occupent la voie embarquée, où la latence, la confidentialité et l'absence de coût marginal comptent plus que les derniers pourcents de naturalité. Et une couche intermédiaire émerge pour rattraper les erreurs qu'aucune des deux voies ne gère bien seule.

Ce qu'il faut mesurer avant de s'engager

Les affirmations de latence et de taille dans cette catégorie sont presque toujours rapportées par les fournisseurs ; le test pratique consiste donc à utiliser vos propres entrées. Exécutez le modèle sur le texte dont vous avez réellement besoin, y compris les noms et les numéros qui font échouer les démos. Mesurez le temps jusqu'au premier son sur le matériel sur lequel vous allez déployer, pas sur la machine de référence du fournisseur. Et vérifiez si la licence autorise le déploiement que vous envisagez, car pour les modèles locaux, la licence est souvent la contrainte décisive.

Le schéma qui se dégage de ces sorties est familier : il rappelle les modèles d'image il y a un an. La qualité a convergé, puis la concurrence s'est déplacée vers l'endroit où le modèle s'exécute, la vitesse à laquelle il démarre et son coût par appel. La voix est désormais dans cette phase. Le modèle qui sonne le mieux compte moins que celui qui commence à parler avant que l'utilisateur ne remarque la pause.

Vers quoi se tournent plutôt les modèles vocaux de pointe

La course à la latence se déroule en même temps qu'une autre dynamique, et les deux peuvent être confondues. Les modèles temps réel de pointe, comme les systèmes vocaux capables de raisonnement qui peuvent être interrompus et appeler des outils en pleine conversation, cherchent à tenir une conversation qui donne l'impression de parler à quelqu'un au téléphone. Cela exige de comprendre l'intention, de décider quand parler et de gérer le fait d'être coupé, autant de problèmes difficiles sur un autre axe que la vitesse brute de synthèse.

Pour la plupart des applications, cependant, la couche conversationnelle avancée est superflue. Une voix off pour une vidéo, une visite guidée de produit narrée ou une histoire du soir ont besoin d'une bonne prononciation, d'un style cohérent sur de nombreuses prises et d'un coût prévisible. Ces besoins sont mieux servis par un petit modèle rapide que par un système de pointe assorti d'une boucle de chat, ce qui explique pourquoi la synthèse embarquée devient la norme pour l'audio préenregistré, tandis que le cloud reste le domaine de la conversation en direct.

Un fil réglementaire tire aussi dans la même zone. Le marquage des audios synthétiques pour que les auditeurs et les plateformes puissent les distinguer devient une exigence dans davantage de juridictions, et le clonage vocal a suscité sa propre vague de décisions de justice. Un modèle local qui ne téléverse jamais d'échantillon évite une partie de cette exposition, tandis qu'un modèle cloud qui clone une voix en hérite. Pour les équipes qui déploient des fonctionnalités vocales, le choix de l'endroit où s'exécute la synthèse devient une décision de conformité autant qu'une décision de latence.

Une liste de contrôle pratique

Testez les candidats sur vos propres scripts, pas sur le texte de démonstration d'un fournisseur, et incluez les noms, acronymes et chiffres qui font échouer les modèles généraux. Mesurez le temps jusqu'au premier son sur le matériel que vous utiliserez réellement, car un résultat sur CPU d'ordinateur portable et un résultat en centre de données ne sont pas comparables. Vérifiez que la licence couvre l'usage commercial et la forme de déploiement souhaitée, car pour les modèles ouverts, la licence est souvent la contrainte qui décide du choix. Et décidez tôt si vous avez besoin d'une passe d'assurance qualité après la synthèse, car un modèle qui prononce correctement 95 % des mots échouera encore sur le nom de marque qui compte pour votre client.

Aucune de ces quatre sorties n'est une percée à elle seule. Lues ensemble, elles montrent un domaine qui a cessé de débattre pour savoir si la parole synthétique sonne vrai et a commencé à rivaliser sur les critères qui importent réellement aux équipes de production : la vitesse, la taille et le coût. Voilà à quoi ressemble un outil qui mûrit.