OmniVoice Studio : cloner des voix en local
J'ai installé OmniVoice Studio un vendredi soir, avec l'attente typique de celui qui a déjà vu trop d'"alternatives gratuites à ElevenLabs" finir en démo bancale. Le résultat a été étonnamment bon, mais pas impeccable : le français tient la route, même si certaines prononciations trébuchent sur des mots moins communs, et la voix que j'avais choisie dans la bibliothèque ne correspondait pas toujours à 100 % à ce qui sortait des haut-parleurs. Et c'est précisément dans cet écart que le projet devient intéressant, car il montre à la fois le bond en avant de l'audio synthétique et son côté le plus délicat, celui de la sécurité et de l'utilisation responsable, étant donné que le clonage vocal peut être précieux pour le doublage ou l'accessibilité, mais aussi facilement détourné par quiconque souhaite usurper l'identité de quelqu'un d'autre.
La première chose à clarifier, car le nom génère des malentendus dans chaque fil Reddit qui l'a mentionné, est qu'"OmniVoice" désigne deux choses différentes. D'une part, il y a le modèle développé par l'équipe k2-fsa—ceux qui sont derrière Kaldi et d'autres outils historiques pour la reconnaissance vocale : un moteur de text-to-speech open source, sous licence Apache-2.0, entraîné pour couvrir plus de 600 langues avec un clonage zero-shot, c'est-à-dire sans avoir besoin d'entraîner un modèle pour chaque nouvelle voix. D'autre part, il y a OmniVoice Studio, la suite desktop développée par Palash Debnath, qui prend ce moteur et l'intègre dans une véritable application dotée d'une interface graphique, d'une gestion de projets, d'un doublage (dubbing) vidéo et d'une dictée vocale à l'échelle du système. C'est la différence entre un moteur et la voiture construite autour : le premier se trouve sur GitHub sous forme de bibliothèque Python, tandis que la seconde se télécharge comme une application pour macOS, Windows ou Linux et s'ouvre comme n'importe quel autre programme.
Il convient de le dire immédiatement, car d'autres sites commerciaux nommés simplement "OmniVoice" circulent également en ligne, vendant des crédits payants sur abonnement : ils ne s'agit pas du même projet, et ils se déclarent explicitement non affiliés aux modèles open source que leur nom pourrait évoquer. C'est un détail à garder à l'esprit avant de chercher "omnivoice pricing" sur n'importe quel moteur de recherche.
Comment ça marche
Le flux de travail de Studio est plus simple que ne le suggère sa liste de fonctionnalités. On charge un échantillon de voix—quelques secondes de parole propre suffisent—et le système génère un nouvel audio qui en reproduit le timbre et la cadence, dans n'importe quelle langue supportée. Il n'y a aucun entraînement dédié à la voix individuelle, c'est ce qu'on appelle dans le jargon une approche zero-shot : le modèle n'apprend pas votre voix au sens strict, mais l'utilise comme référence acoustique au moment de la génération, un peu comme un comédien de doublage qui écoute un clip et tente d'en reproduire l'intonation sur-le-champ, sans des mois d'étude du personnage.
En plus du clonage, la suite propose le voice design, c'est-à-dire la création de voix synthétiques à partir d'attributs tels que le genre, l'âge, le ton et l'accent, sans aucun échantillon de départ : vous décrivez la voix que vous souhaitez obtenir et le système tente de la produire. La suite intègre également le dubbing vidéo, qui assemble transcription, traduction, re-synthèse vocale et synchronisation, ainsi que la dictée, conçue pour transcrire en temps réel pendant que vous écrivez dans n'importe quelle autre application du système d'exploitation, accessible via un raccourci clavier global. Tout s'exécute en local : pas de clés API, pas de comptes, et aucun flux audio ne quitte votre machine, à moins de choisir explicitement un moteur distant.
Le test sur le terrain, avec quelques chiffres réels
J'ai testé à la fois les voix par défaut de la bibliothèque—en ajustant le sexe, le ton et l'âge grâce aux commandes disponibles—et le clonage de plusieurs voix de personnalités connues, dans un but purement de vérification technique et en maintenant tout strictement en local, puis en supprimant les fichiers à la fin des tests. Sur mon matériel, un Ryzen 7700 équipé de 32 Go de RAM DDR5 et une Radeon RX 9060 XT dotée de 16 Go de VRAM, la génération d'environ dix secondes d'audio a nécessité en moyenne environ 200 secondes, une vitesse qu'il serait doux de qualifier de très éloignée du temps réel.
Il est utile d'expliquer pourquoi ce n'est pas de la faute du modèle lui-même. La documentation officielle de la suite précise que le support GPU pour les cartes AMD passe par ROCm, qui n'est disponible que sur Linux et reste optionnel, tandis que sous Windows, les GPU d'AMD (Radeon comprises) sont exclus de l'accélération, laissant la synthèse vocale s'exécuter sur le CPU. C'est le même type de fracture que ceux qui suivent l'écosystème des modèles locaux pour l'audio ou l'image connaissent bien : NVIDIA bénéficie d'un support mûr partout, tandis qu'AMD reste un citoyen de seconde zone en dehors de Linux, quelle que soit la puissance de la carte sur le papier. Ceux qui possèdent du matériel AMD et souhaitent des temps de génération raisonnables feraient bien d'envisager un double démarrage (dual boot) avec Linux, ou d'attendre patiemment que l'écosystème ROCm sur Windows mûrisse.
En termes de qualité pure, mis à part la lenteur, les résultats ont été de bons à très bons. Le clonage de ma propre voix m'a semblé d'un niveau correct, même s'il faut dire que la qualité du fichier enregistré par webcam n'était pas optimale, et que n'importe qui trouve sa propre voix enregistrée légèrement étrange en raison de la conduction osseuse qui fausse la perception que nous avons de nous-mêmes lorsque nous parlons en direct. Pour un test plus fiable, j'ai donc tenté de cloner les voix de personnalités connues dans différents domaines, et les résultats ont été convaincants dans la plupart des cas, à une exception près où le résultat était similaire mais pas tout à fait reconnaissable. L'impression, purement subjective, est que les voix aux caractéristiques timbrales très marquées se prêtent mieux au clonage que les voix plus "moyennes" et moins distinctives, un peu comme dans Serial Experiments Lain, où les identités les plus nettes survivent au passage dans le réseau tandis que les plus floues se dispersent.
La critique indépendante de TECHSY portant sur le seul modèle k2-fsa, menée sur une RTX 4090, fait état de temps radicalement différents des miens : un facteur de temps réel d'environ 0,03, soit environ trente fois plus rapide que la parole elle-même, avec un score de similarité du locuteur de 0,830 sur des benchmarks multilingues, supérieur à celui mesuré pour ElevenLabs sur le même test. C'est un écart gigantesque par rapport à mes 200 secondes pour dix secondes de parole, et cela montre bien à quel point l'expérience réelle avec ces outils dépend moins du modèle lui-même que de la compatibilité matérielle effective : même logiciel, même architecture, mais des mondes différents selon le silicium sous le capot.
Gratuit, open source, mais avec quelques distinctions
"Gratuit" ne signifie pas la même chose pour tous les usages, et c'est sur ce point que les titres racoleurs ont tendance à trop simplifier. Le modèle k2-fsa est distribué sous licence Apache-2.0, très permissive et presque sans conditions. La suite Studio, en revanche, est sous licence AGPL-3.0, une licence copyleft de réseau : vous pouvez l'utiliser gratuitement même dans un cadre commercial, vendre l'audio produit, doubler des vidéos pour des clients et la distribuer en équipe, mais si vous modifiez le code de la suite et que vous la proposez à des tiers en tant que service réseau, vous devez également publier vos modifications sous les mêmes conditions. Pour ceux qui souhaitent intégrer Studio dans un produit propriétaire fermé sans cette obligation de réciprocité, une licence commerciale distincte est disponible sur demande directe auprès du développeur. C'est un modèle de licence courant pour les logiciels open source matures, conçu pour financer le développement sans transformer le projet en piège pour ceux qui l'étendent.
Le projet est encore en phase bêta active, ce que les développeurs déclarent avec une honnêteté plutôt rare dans le paysage des projets "alternative à" qui encombrent GitHub : des choses peuvent casser entre deux versions, et ceux qui veulent les correctifs les plus récents doivent compiler à partir du code source plutôt que de s'en remettre aux paquets prêts à l'emploi.
OmniVoice Studio face à ElevenLabs : une comparaison honnête
La comparaison naturelle se fait avec ElevenLabs, qui reste la référence commerciale du secteur. En termes de coût, l'écart est net : ElevenLabs facture au caractère généré avec des abonnements allant de quelques dollars par mois à des sommes importantes pour les plans enterprise, tandis qu'OmniVoice, fonctionnant en local, n'a aucun coût par génération, seulement l'investissement matériel initial. Sur la couverture linguistique, le projet open source l'emporte largement, proposant des centaines de langues contre la poignée de dizaines couvertes par le service cloud. Sur la confidentialité (privacy), la situation est similaire : avec OmniVoice, le flux audio ne quitte jamais la machine, alors qu'avec un service cloud, il est nécessairement traité ailleurs, même lorsque les politiques de confidentialité sont rigoureuses.
Là où ElevenLabs conserve un réel avantage, c'est dans la finition du produit final et la prévisibilité : une seule pipeline hautement optimisée, conçue pour une latence minimale, idéale pour des applications conversationnelles en direct où chaque centième de seconde compte. OmniVoice, par sa nature de projet porté par la communauté devant fonctionner sur du matériel hétérogène, offre quant à lui un éventail de moteurs différents parmi lesquels choisir, avec des qualités et des vitesses qui varient grandement selon la configuration. C'est un compromis similaire à celui que connaît bien quiconque a utilisé Stable Diffusion en local par rapport à un service comme Midjourney : plus de contrôle et zéro abonnement mensuel, en échange de quelques efforts de mise au point que le service cloud vous épargne.
Pourquoi le traitement en local importe vraiment
La force la plus concrète d'OmniVoice, au-delà des débats sur la qualité audio, est probablement celle-ci : pas de clés API à conserver, pas de comptes à créer et aucune dépendance vis-à-vis d'un serveur externe qui pourrait modifier ses conditions d'utilisation, augmenter ses prix ou simplement disparaître un jour, emportant avec lui des années de projets. Pour ceux qui travaillent avec des voix synthétiques de marque, des contenus sensibles ou tout simplement du matériel qu'ils ne souhaitent pas voir finir dans les logs de traitement de tiers, ce niveau de contrôle l'emporte sur quelques secondes de latence supplémentaires.
Éthique et sécurité, sans tourner autour du pot
Soyons directs ici : le clonage vocal est un outil puissant et, comme tous les outils puissants, il est aussi utile que facilement détournable. Les sources officielles du projet k2-fsa l'écrivent d'ailleurs noir sur blanc dans leur avertissement : il est interdit d'utiliser le modèle pour du clonage non autorisé, de l'usurpation d'identité, de la fraude ou toute activité illicite, et la responsabilité d'une utilisation conforme à la loi incombe à celui qui génère l'audio, et non aux développeurs du modèle. C'est le même schéma de responsabilité partagée que celui que nous observons depuis des années dans l'édition d'images par intelligence artificielle, sauf qu'ici la cible est plus intime : la voix, qui porte en elle des signatures émotionnelles qu'une photo modifiée ne peut reproduire avec la même immédiateté.
Le consentement reste le nœud du problème. Cloner sa propre voix, ou celle de quelqu'un qui a donné son accord explicite pour un projet créatif ou d'accessibilité, est une utilisation aussi légitime qu'évidente. Cloner la voix d'une personne réelle sans son autorisation, par exemple pour une vidéo satirique partagée sans contexte ou, pire encore, pour une arnaque téléphonique, est une tout autre histoire, et c'est un risque qui a déjà donné lieu à des cas concrets dans l'actualité récente, et non plus seulement à des scénarios théoriques de conférences sur la cybersécurité. OmniVoice tente d'atténuer une partie du problème en intégrant un filigrane (watermark) audio invisible basé sur une technologie développée par Meta, conçu pour rester lisible même après compression, de sorte qu'on puisse vérifier ultérieurement si un fichier a été généré par le système. C'est un outil utile, mais pas une solution définitive, car il peut toujours être désactivé par quiconque modifie le code source, et parce que le filigrane aide à tracer l'origine plutôt qu'à empêcher la génération en amont.
Des questions ouvertes subsistent, que le projet seul ne peut résoudre. Qui vérifie que le consentement déclaré par la personne chargeant un échantillon de voix est authentique, dans un système qui, par définition, n'a aucun moyen de contrôler l'identité de l'utilisateur ? Quel poids aura, dans les années à venir, la mise à disposition gratuite et sans filtre d'un tel outil sur la capacité des gens à faire confiance à un audio reçu au téléphone ou sur une messagerie vocale ? Et surtout : la responsabilité légale, aujourd'hui rejetée presque entièrement sur l'utilisateur final dans les termes de la licence, tiendra-t-elle la route lorsque l'utilisation abusive deviendra, comme cela semble probable, plus répandue et moins amateur qu'aujourd'hui ?
À qui le conseiller, et à qui non
OmniVoice Studio est bien conçu pour les professionnels du doublage indépendant dans plusieurs langues, pour les développeurs qui souhaitent intégrer la synthèse vocale dans leur produit sans payer pour chaque caractère généré, pour ceux qui travaillent avec des données sensibles et ne peuvent pas se permettre de voir l'audio sortir de leur périmètre, et pour les équipes qui préfèrent les traitements en batch sans limites artificielles d'utilisation. Il est moins recommandé pour ceux qui recherchent une finition immédiate et prête à l'emploi sans aucune configuration, pour ceux qui ont besoin de voix prêtes en quelques clics sans toucher aux paramètres techniques, ou pour des applications conversationnelles en direct où la latence est une contrainte non négociable : là, un service cloud optimisé reste, du moins pour l'instant, le choix le plus raisonnable.
Enfin, une réflexion plus large s'impose, qui dépasse le cadre de ce seul projet : des outils comme celui-ci abaissent rapidement la barrière technique nécessaire pour générer un audio synthétique crédible, un processus qui rappelle de près celui vécu il y a quelques années avec la génération d'images. La question qu'il convient de se poser n'est pas de savoir si le clonage vocal continuera à s'améliorer, car il le fera presque certainement, mais quelles infrastructures sociales, techniques et réglementaires nous saurons construire pour coexister avec un monde dans lequel entendre une voix ne suffit plus à en garantir l'authenticité.