tiny-voca parle avec 4,5 millions de paramètres pour 18,2 Mo
Muhammed Nazeem publie tiny-voca, un modèle de synthèse vocale de 4 537 291 paramètrespoids du modèleNombre de valeurs apprises par un modèle. À quantification égale, plus de paramètres veut dire plus de mémoire occupée, et en général de meilleures réponses.Fiche du lexique, générateur de forme d'onde compris, qui tient en 18,2 Mo et tourne à environ 70 fois le temps réel sur quatre cœurs de processeur, ou dans un navigateur. Deux voix américaines à 24 kHz, entraînées en 7,7 heures sur une seule RTX 4090 avec 17,6 heures de parole elle-même synthétique.
par Gyom 15 novembre 2026 à 07:18 3 min de lecture rubrique : Voix et image
etiquettes : Chez soi · Local · Coût
Le code, les poids et le jeu de données de tiny-voca sont publiés, en Apache 2.0 pour le code et les poids, en CC BY 4.0 pour les données, et le modèle a été entraîné depuis zéro : la fiche indique qu'aucun poids pré-entraîné n'entre dans le réseau. Le fichier PyTorch pèse 18,2 Mo en float32, l'export ONNX 21,4 Mo en opset 17, et le même graphe tourne dans onnxruntime-web, donc dans un navigateur, où l'audio s'écarte du modèle PyTorch de 0,6 % au plus de l'amplitude de crête. Un appel porte une phrase, jusqu'à 512 tokens et 32 secondes.
Un filtre à la place du vocodeur neuronal
Le texte est d'abord converti en phonèmes par dizione, un phonémiseur maison qui rend un identifiant et une valeur d'accent par phonème. Un encodeur de texte de quatre blocs, 192 canaux et quatre têtes lit la suite, un prédicteur de durée donne à chaque phonème une longueur en trames de 256 échantillons, puis deux transformeurs de trames prédisent la hauteur, le voisement, l'énergie et les paramètres du filtre. La forme d'onde ne sort pas d'un vocodeur neuronal mais d'une synthèse source-filtre : un train d'impulsions à la hauteur prédite et un bruit sont filtrés chacun par un filtre variable dans le temps, dont le réseau prédit le cepstre une fois par trame de 10,7 ms. Cette partie porte 25 862 paramètres, l'encodeur de texte 1 588 864 et le second transformeur de trames 1 985 984, sur les 4 537 291 du total.
70 fois le temps réel sur quatre cœurs
Le modèle tourne sur processeur, à environ 70 fois le temps réel sur quatre cœurs, sans carte graphique ni bibliothèque de calcul particulière. Trois réglages accompagnent la génération : la vitesse, le décalage de hauteur, où 0,058 vaut à peu près un demi-ton, et l'amplitude du mouvement de hauteur. La prosodie n'est pas tirée au sort, la même phrase sort toujours de la même façon, et le texte doit être découpé en phrases avant l'appel, le modèle n'en lit qu'une à la fois.
Les deux voix sortent d'un autre modèle
Les deux voix, F2 et M2, ont été créées à partir de descriptions textuelles par Qwen3-TTS VoiceDesign, puis les enregistrements d'entraînement ont été produits par Qwen3-TTS 1.7B Base à partir de deux clips de référence : aucune voix humaine n'est enregistrée dans le jeu de données. Les 16 018 clips d'entraînement, 17,6 heures, lisent des transcriptions LibriTTS-R en CC BY 4.0 et des phrases écrites pour le projet, et le second lot ajoute des phrases Mozilla Common Voice en CC0. Chaque clip a été filtré par Whisper small.en, rejeté au-delà de 15 % d'erreur de mots, et les durées de phonèmes viennent d'un alignement forcé par wav2vec2, qui ne sert qu'à étiqueter les données.
0,9 % d'erreur de mots sur huit phrases
Le taux d'erreur de mots est mesuré en transcrivant la sortie avec Whisper small.en : 0,6 % sur huit clips de validation, 0,9 % sur huit clips de test, les mêmes scores que les enregistrements d'origine transcrits de la même façon, et 0 % sur seize phrases absentes du jeu. Ces lots comptent huit à seize phrases, et la fiche les présente comme un contrôle de bon sens, pas comme un benchmarkbanc d'essaiÉpreuve normalisée, par exemple SWE-bench pour la résolution de tickets logiciels. Un score ne se compare qu'à tâche et version identiques, et ne dit rien du coût ni du temps d'exécution.Fiche du lexique. Aucun test d'écoute formel n'a été mené.
L'anglais seulement, deux voix fixes, aucun flux continu
L'anglais seulement, deux voix fixes, aucun clonage de voix, aucun flux continu. Les noms étrangers et les graphies inhabituelles sont souvent mal lus, les nombres, les abréviations et les homographes dépendent du phonémiseur, et la parole sort un peu plus rapide que les enregistrements d'entraînement à la vitesse par défaut. Le plafond est dans les données : la voix d'entraînement étant elle-même synthétique, le modèle ne peut pas sonner plus naturel que le modèle qui l'a produite.
Source primaire Muhammed Nazeem, « tiny-voca », fiche du modèle sur Hugging Face, 14 novembre 2026