La voix se génère
plus vite qu’on ne parle.
Ocelot est un petit modèle distillé à partir du modèle de synthèse vocale Qwen3-TTS.
Ocelot est un petit modèle de synthèse vocale : il transforme un texte en voix. Cliquez sur le bouton : la bande du haut avance au rythme du temps de génération réel, celle du bas à la vitesse de l’audio.
— × plus vite
Petit, donc
à l’aise partout.
Ocelot se compose de deux petits réseaux : l’un produit, à partir du texte, le plan de la voix (un spectrogramme mel) ; l’autre en fait une onde sonore. Faites défiler : la vue recule et la différence de taille avec les autres modèles apparaît.
* La vitesse sur smartphone est en cours de mesure. provisoire
20 langues
à écouter.
Dans chaque langue, nous avons fait lire le même contenu : un texte court, un moyen, un long. Cliquez sur une onde pour l’écouter. Trois voix sont proposées (d’autres viendront). Pendant la lecture, une ligne superposée trace les variations de hauteur de la voix.
Cliquez sur une onde : le texte lu s’affichera ici.
* Tous ces extraits sont les audios réellement générés sur CPU lors des mesures de cette page, sans montage. Le contenu des textes est fictif.
Faites-lui lire
votre propre texte.
Saisissez un texte, choisissez la langue et la voix, puis appuyez sur le bouton. L’audio est généré sur-le-champ, sur le CPU de ce serveur. 200 caractères au maximum.
* La langue n’est pas détectée automatiquement : choisissez celle du texte. Les nombres, les abréviations et les noms propres étrangers peuvent être mal lus.
Texte long,
même vitesse.
Pour les 180 extraits : la durée de l’audio (en abscisse) et le temps de génération (en ordonnée). Tous les points sont sous la ligne du dixième du temps de parole.
En faisant varier le nombre de threads du CPU
Une machine
comprend-elle cette voix ?
Voici le « taux d’erreur par caractère » : l’audio généré est retranscrit par reconnaissance vocale (Whisper large-v3-turbo), puis comparé au texte d’origine. Plus il est bas, plus la lecture est nette.
Du texte
à la voix.
Quatre étapes, montrées sur une vraie phrase. Au fil du défilement, la forme change de gauche à droite.
Texte
Phonèmes
Plan de la voix
Onde sonore
- La conversion en phonèmes se fait avec des dictionnaires dédiés pour le japonais, l’anglais et le croate, et avec espeak-ng pour les 17 autres langues.
- La langue est transmise au modèle comme un « numéro de locuteur ». Un seul modèle lit les 20 langues.
- Un texte long est généré phrase par phrase, puis assemblé avec 0,25 seconde de pause entre les phrases.