Edge0 publie Audio8-TTS-Realistic, un modèle ouvert de clonage vocal de 0,6 milliard de paramètres couvrant 23 langues

Edge0, une petite entreprise qui conçoit des modèles destinés à tourner localement sur des téléphones, des ordinateurs portables, des objets connectés et des robots, a publié Audio8-TTS-Realistic, un modèle de synthèse vocale capable d’imiter une voix à partir d’un seul enregistrement de référence. Relayée en ligne fin octobre, cette version devient le modèle principal du dépôt Audio8 TTS de l’entreprise, à la place d’une précédente version Preview.

Taille, licence et langues

Selon sa fiche sur Hugging Face, le modèle compte 601 millions de paramètres, sans compter le codec audio fourni avec lui. Le code et les poids sont publiés sous Apache 2.0, une licence permissive qui impose une attribution, consignée dans un fichier NOTICE. Il s’agit d’un affinage d’Audio8-TTS-Preview-0.6b, fondé sur une architecture autorégressive en deux étages que la fiche dit inspirée de Fish Audio S2 Pro : un transformeur de 24 couches prédit un jeton sémantique par trame audio, puis un second, de quatre couches, complète les détails du codec. Le son produit est échantillonné à 44,1 kHz.

La couverture linguistique passe de 11 à 23 langues. Au socle de la version Preview (dont l’anglais, le chinois, le cantonais, le japonais, le coréen, le français, l’espagnol et l’allemand) s’ajoutent notamment l’arabe, l’hindi, l’indonésien, le malais, le portugais, le russe, le thaï, le turc, le vietnamien et trois langues nordiques. Edge0 prévient que la qualité varie selon les langues. Contrairement au petit modèle de 0,1 milliard de paramètres, qui fonctionne sur processeur via ONNX, le nouveau modèle est recommandé sur GPU CUDA et n’existe pas en export ONNX.

Benchmarks et garde-fous

L’entreprise annonce un score de similarité du locuteur de 0,704 sur le test Seed-TTS en anglais et en chinois, contre 0,682 pour la version Preview, avec un taux d’erreur quasi stable de 1,25 %. Son propre tableau comparatif montre que d’autres systèmes font mieux sur certains tests, comme Qwen3-TTS-1.7B sur les erreurs Seed-TTS ou Higgs Audio v3 sur un jeu MiniMax de 24 langues. Edge0 insiste : ces chiffres mesurent l’intelligibilité et la ressemblance, pas le réalisme perçu, et les comparaisons entre projets reposent sur des méthodes d’évaluation différentes.

Le clonage exige un extrait de référence accompagné d’une transcription qui lui corresponde exactement. Côté abus, la section consacrée à l’usage responsable demande d’obtenir l’accord de la personne avant de cloner sa voix et de signaler l’audio synthétique lorsque c’est pertinent. Au-delà de ces recommandations, ni la fiche ni le dépôt GitHub ne décrivent de tatouage numérique, de vérification du consentement ou d’évaluation de sécurité formelle, un point notable pour un modèle librement diffusé capable d’imiter de vraies voix.