ElevenLabs offre 10 000 crédits gratuits par mois (≈ 10 000 caractères), puis 6 $/mois pour 30 000 crédits (Starter), 22 $/mois pour 121 000 crédits (Creator) et 99 $/mois pour 600 000 crédits (Pro), prix relevés en octobre 2026 sur la page officielle. Trois limites nous ont poussés à tester des alternatives : les données restent chez ElevenLabs, le clonage professionnel exige l'abonnement Creator (121 k crédits), et l'usage intensif fait grimper la facture (ex. : 1 M caractères = ~18 $/mois au-delà du forfait Pro).

Nous avons fait tourner une douzaine de modèles open source sur GPU (RTX 4090, 24 Go) et CPU (Apple M3, 16 Go) pendant deux semaines. Voici ce que nous retenons en octobre 2026, avec les prix, licences et limites vérifiés sur les dépôts et sites officiels.

Le tableau récapitulatif#

Notre choixTortoiseBarkCoqui TTSPiperRVCGPT-SoVITSFish SpeechCosyVoiceOpenVoiceChatTTSMeloTTSF5-TTSEmotiVoice
Idéal pourQualité max, multi-voixAudio génératif (voix, musique, SFX)Boîte à outils complète (1100+ langues)TTS local rapide, CPUConversion temps réelClonage few-shot (1 min)SOTA qualité, multi-personnagesStreaming, 9 langues + dialectesClonage instantané, multi-languesDialogue, prosodie fineTTS multilingue CPUFlow matching, vitesseÉmotion, 2000+ voix
Licence codeApache-2.0MITMPL-2.0MITMITMITFISH AUDIO COMMUNITYApache-2.0MITAGPL-3.0MITMITApache-2.0
Licence poidsApache-2.0MITMPL-2.0 / CoquiMITMITMITFISH AUDIO COMMUNITY / CC-BY-NCApache-2.0MITCC BY-NC 4.0MITCC-BY-NCApache-2.0
Usage commercial✅✅✅ (vérifier XTTS)✅✅✅⚠️ Voir licence✅✅❌ Non commercial✅⚠️ Non commercial✅
Clonage voix✅ (référence)❌ (presets only)✅ (XTTS v2, YourTTS)❌✅ (conversion)✅ (5 s zero-shot, 1 min few-shot)✅ (10-30 s)✅ (zero-shot)✅ (zero-shot)⚠️ Speakers aléatoires❌✅ (référence)✅ (clonage perso)
LanguesPrincipalement EN13+1100+ (Fairseq)100+Dépend du modèleEN, JA, KO, YUE, ZH100+ (S2), 24 (Drama 3)9 + 18 dialectes CNEN, ES, FR, ZH, JA, KOEN, ZHEN, ES, FR, ZH, JA, KOEN, ZHEN, ZH
VRAM min (GPU)4 Go (streaming)2-12 Go4-8 GoCPU only4-6 Go6-8 Go8-12 Go (S2), 24 Go+ (Drama 3)4-6 Go4-6 Go4 GoCPU temps réel8 Go (L20)6-8 Go
Vitesse (RTF)0.25-0.3 (4 Go)~1x (GPU)Variable< 0.1x (CPU)Temps réel0.014 (4090), 0.5 (M4 CPU)0.195 (H200, S2)0.15 (streaming)< 1x~0.3 (4090)Temps réel CPU0.04 (L20 TRT)~1x
InterfaceCLI, API, HF SpacePython, HF Space, ColabPython, CLI, Docker, ServerCLI, Python, ONNXWebUI (Gradio)WebUI (Gradio)WebUI, API, CLI, DockerWebUI, API, vLLM, TRT-LLMPython, Colab, DockerWebUI, CLI, APIPython, WebUI, CLIGradio, CLI, DockerStreamlit, API OpenAI
Étoiles GitHub~15 k~39 k~46 k~11 k~39 k~64 k~33 k~24 k~38 k~40 k~8 k~16 k~9 k
Étoiles GitHub arrondies, licences et VRAM minimales relevées en octobre 2026

Notre sélection en détail#

1

OpenVoice V2

Notre choixSite officiel de OpenVoice V2
Licence
MIT (code + poids)
Hébergement
Local, Docker, Colab
Prix
Gratuit, usage commercial libre

Le plus simple pour démarrer sans GPU dédié. OpenVoice V2 (avril 2024) clone une voix en quelques secondes à partir de 5 secondes de référence, sans entraînement. Il gère nativement l'anglais, l'espagnol, le français, le chinois, le japonais et le coréen, avec contrôle de l'accent, de l'émotion, du rythme et des pauses. Le dépôt MIT autorise l'usage commercial sans restriction (LICENSE). Sur CPU (Apple M3), l'inférence prend ~3-5 s pour une phrase courte ; sur RTX 4090, c'est quasi instantané. Pas de WebUI officielle, mais des démos Colab (Colab officiel) et une API OpenAI-compatible communautaire existent. Limite : pas de clonage few-shot pour affiner la similitude, et la qualité reste légèrement en dessous des modèles entraînés sur mesure.

2

GPT-SoVITS v5

Site officiel de GPT-SoVITS v5
Licence
MIT (code + poids)
Hébergement
Local (WebUI), Docker, AutoDL
Prix
Gratuit, usage commercial libre

Le meilleur rapport qualité/effort pour un clonage personnel. Avec 1 minute d'audio, le fine-tuning SoVITS produit une voix quasi indiscernable de l'original. Le zero-shot (5 s) est déjà bluffant. La WebUI intègre découpage audio, ASR (FunASR chinois, Faster-Whisper autres), étiquetage, séparation voix/accompagnement (UVR5) et entraînement en quelques clics. v5 (2025) améliore la similitude sans fine-tuning, réduit les artefacts haute fréquence et ajoute l'accélération cuda_graph + flash_attention. Sur RTX 4090 : RTF 0,014 ; sur Mac M4 CPU : RTF 0,5. Supporte EN, JA, KO, YUE, ZH. Licence MIT sans ambiguïté (LICENSE). Installation rapide :

bash
conda create -n GPTSoVits python=3.10
conda activate GPTSoVits
bash install.sh --device CU128 --source HF --download-uvr5
python webui.py
3

Fish Speech S2-Pro / Drama 3

Site officiel de Fish Speech S2-Pro / Drama 3
Licence
Code Apache-like, poids FISH AUDIO COMMUNITY / CC-BY-NC
Hébergement
Local, Docker, vLLM, SGLang, API cloud
Prix
Gratuit en local, API payante sur fish.audio

La qualité SOTA open source, mais licence restrictive. S2-Pro (4B paramètres) bat les modèles fermés sur Seed-TTS Eval (WER 0,54 % zh, 0,99 % en) et l'Audio Turing Test (0,515) selon le rapport technique. Drama 3 (35B-A3B, 3B actifs) ajoute l'édition locale (remplacer un mot), la révision multi-tours (« plus doux, plus triste »), la production multi-personnages en flux et le support 24 langues (rapport Drama 3). Poids S2-Pro sur Hugging Face ; Drama 3 aussi. Licence : usage local libre, redistribution commerciale des poids interdite (LICENSE). API cloud sur fish.audio (payante). Déploiement vLLM/SGLang recommandé pour la production :

bash
pip install sglang[all]
python -m sglang.launch_server --model-path fishaudio/fish-speech-1.4 --port 8000
4

CosyVoice 3.0 (Fun-CosyVoice3-0.5B)

Site officiel de CosyVoice 3.0 (Fun-CosyVoice3-0.5B)
Licence
Apache-2.0 (code + poids)
Hébergement
Local, Docker, vLLM, Triton/TensorRT-LLM
Prix
Gratuit, usage commercial libre

Le choix streaming production-ready. Fun-CosyVoice 3.0 (décembre 2025) couvre 9 langues + 18 dialectes chinois, avec clonage zero-shot, inpainting de prononciation (pinyin/CMU), normalisation de texte sans frontend classique, et bi-streaming (texte entrant / audio sortant) à 150 ms de latence selon le README. Modèles 0,5B faciles à déployer ; support vLLM 0.11+ et TensorRT-LLM (4x plus vite). Apache-2.0 sans ambiguïté (LICENSE). Idéal pour assistants vocaux temps réel. Installation :

bash
git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
cd CosyVoice
conda create -n cosyvoice python=3.10
conda activate cosyvoice
pip install -r requirements.txt
python vllm_example.py  # pour vLLM
5

Piper (OHF-Voice/piper1-gpl)

Site officiel de Piper (OHF-Voice/piper1-gpl)
Licence
GPL-3.0
Hébergement
Local, CLI, Python, ONNX, Docker
Prix
Gratuit, usage commercial libre

Le TTS le plus rapide sur CPU, sans GPU requis. L'original rhasspy/piper (11,3 k ⭐) a été archivé en octobre 2025 ; le développement continue sous OHF-Voice/piper1-gpl (GPL-3.0). Des centaines de voix pré-entraînées (ONNX) couvrent 100+ langues. Inférence < 0,1x temps réel sur CPU moderne (Apple M3, Raspberry Pi 4). Pas de clonage de voix, pas d'émotion fine : c'est du TTS pur, fiable, pour lire des articles, des docs, des notifications. Intégration facile via piper-tts (PyPI) ou binaires standalone :

bash
pip install piper-tts
echo "Bonjour le monde" | piper --model fr_FR-siwis-medium.onnx --output_file output.wav
6

MeloTTS

Site officiel de MeloTTS
Licence
MIT
Hébergement
Local, Python, WebUI, CLI, Docker
Prix
Gratuit, usage commercial libre

TTS multilingue haute qualité, temps réel sur CPU. Développé par MIT + MyShell. 6 langues (EN US/UK/IN/AU/Default, ES, FR, ZH mixte EN, JA, KO) avec plusieurs accents anglais. Le speaker chinois gère le code-switching EN/ZH. Inférence CPU temps réel (RTF < 1). Pas de clonage, pas d'émotion paramétrique, mais qualité de synthèse excellente pour la narration, l'accessibilité, les assistants. MIT pur (LICENSE).

bash
pip install git+https://github.com/myshell-ai/MeloTTS.git
python -m melo.api --text "Hello world" --language EN --speaker EN-US --output output.wav
7

Coqui TTS (XTTS v2, YourTTS, VITS, Tortoise, Bark…)

Site officiel de Coqui TTS (XTTS v2, YourTTS, VITS, Tortoise, Bark…)
Licence
MPL-2.0
Hébergement
Local, Python, CLI, Docker, Server
Prix
Gratuit en local, offres cloud Coqui payantes

La boîte à outils la plus complète (46 k ⭐). +1100 langues via Fairseq/VITS, XTTS v2 (13 langues, clonage multilingue), YourTTS (EN/FR/PT), Tortoise et Bark intégrés. API Python unifiée (TTS("tts_models/multilingual/multi-dataset/xtts_v2")), CLI tts, serveur HTTP, Docker. MPL-2.0 : code libre, mais Coqui monétise désormais l'hébergement et le support. XTTS v2 demande ~6 Go VRAM ; YourTTS ~4 Go. Attention : la société Coqui a pivoté vers le SaaS, la maintenance open source ralentit.

bash
pip install coqui-tts
tts --text "Hello world" --model_name "tts_models/multilingual/multi-dataset/xtts_v2" --speaker_wav reference.wav --out_path output.wav
8

Bark (Suno)

Site officiel de Bark (Suno)
Licence
MIT
Hébergement
Python, HF Space, Colab, Transformers
Prix
Gratuit, usage commercial libre

Génération audio « tout-en-un » : parole, musique, bruitages, émotions. Pas un TTS classique : modèle GPT-style qui génère de l'audio brut (EnCodec) à partir de texte. 13+ langues, 100+ presets de locuteurs. Supporte tags [laughs], [sighs], ♪ paroles ♪, [MAN]/[WOMAN]. Limite ~13-14 s par génération (fenêtre de contexte). VRAM 12 Go pour le modèle complet, modèles « small » pour 8 Go. Pas de clonage personnalisé (presets only). MIT, usage commercial libre.

bash
pip install git+https://github.com/suno-ai/bark.git
python -c "from bark import generate_audio, SAMPLE_RATE; import scipy; scipy.io.wavfile.write('out.wav', SAMPLE_RATE, generate_audio('Hello [laughs] world'))"
9

F5-TTS / E2 TTS

Site officiel de F5-TTS / E2 TTS
Licence
MIT (code), CC-BY-NC (poids)
Hébergement
Local, Gradio, CLI, Docker, Triton/TensorRT-LLM
Prix
Gratuit en local, usage commercial des poids non autorisé

Flow matching + DiT, très rapide en déploiement optimisé. F5-TTS v1 (mars 2025) : Diffusion Transformer avec ConvNeXt V2. RTF 0,0394 sur L20 (TensorRT-LLM), 0,1467 en PyTorch offline. E2 TTS : variante Flat-UNet. Sway Sampling améliore la qualité à l'inférence. Gradio web UI (multi-style, multi-speaker, voice chat Qwen2.5). Modèles sur HF (Emilia-ZH-EN). Licence poids CC-BY-NC → pas d'usage commercial des modèles pré-entraînés (LICENSE).

bash
pip install f5-tts
f5-tts_infer-gradio  # lance l'interface web
# ou en CLI :
f5-tts_infer-cli --model F5TTS_v1_Base --ref_audio ref.wav --ref_text "texte de référence" --gen_text "texte à générer"
10

EmotiVoice (NetEase Youdao)

Site officiel de EmotiVoice (NetEase Youdao)
Licence
Apache-2.0
Hébergement
Docker, Streamlit, API OpenAI-compatible
Prix
Gratuit, usage commercial libre

2000+ voix pré-entraînées + contrôle émotionnel par prompt. Anglais et chinois. Émotions : happy, excited, sad, angry, etc. API compatible OpenAI TTS (depuis déc. 2023), 13 000 appels gratuits sur leur endpoint. Clonage voix perso via DataBaker/LJSpeech recipes. Docker GPU requis (pas de version CPU officielle). Développement ralenti (dernier commit 2024), mais base solide pour prototypes émotionnels.

bash
docker run -dp 127.0.0.1:8501:8501 -p 127.0.0.1:8000:8000 syq163/emoti-voice:latest
# API OpenAI-compatible sur http://localhost:8000
11

ChatTTS

Site officiel de ChatTTS
Licence
Code AGPL-3.0, Poids CC BY-NC 4.0
Hébergement
WebUI, CLI, API, vLLM (expérimental)
Prix
Gratuit, **usage commercial interdit**

Le meilleur pour la prosodie dialogue (rire, pauses, interjections). Entraîné sur 100k+ heures (40k h open source). Contrôle fin : [oral_2][laugh_0][break_6], [uv_break], [laugh], [lbreak]. WER excellent sur Seed-TTS. Mais licence CC BY-NC 4.0 sur les poids = interdit en production commerciale. AGPL-3.0 sur le code. Réservez-le à la recherche, aux prototypes internes, aux projets personnels non monétisés.

12

RVC (Retrieval-based Voice Conversion)

Site officiel de RVC (Retrieval-based Voice Conversion)
Licence
MIT
Hébergement
WebUI locale, Docker, temps réel (VST)
Prix
Gratuit, usage commercial libre

Conversion de voix temps réel (voice changer), pas TTS direct. Entraîne un modèle en ≤ 10 min avec 10 min d'audio propre. Inférence 170 ms (90 ms avec ASIO). WebUI complète (entraînement, inférence, fusion de modèles, séparation UVR5). Utilisé pour dubbing, streaming, accessibilité. Nécessite un TTS en amont (ex. Piper, MeloTTS) pour générer la parole source. MIT pur.

Comment choisir#

  • Vous voulez cloner votre voix tout de suite, sans GPU, usage commercial : OpenVoice V2. Colab gratuit, 5 s de référence, 6 langues natives, MIT.
  • Vous avez un GPU (6-8 Go) et voulez le meilleur clonage personnel : GPT-SoVITS v5. 1 min d'audio → fine-tuning auto, WebUI tout-en-un, MIT.
  • Vous visez la qualité SOTA absolue pour du contenu publié (podcast, vidéo) : Fish Speech S2-Pro (local) ou Drama 3 (si 24 Go+ VRAM). Vérifiez la licence pour la redistribution.
  • Vous construisez un assistant vocal temps réel (streaming, faible latence) : CosyVoice 3.0. Bi-streaming 150 ms, instruct (émotion, vitesse), Apache-2.0, vLLM/TRT-LLM ready.
  • Vous n'avez pas de GPU, juste du TTS narration fiable multilingue : Piper (CPU, 100+ langues) ou MeloTTS (CPU temps réel, 6 langues + accents).
  • Vous avez besoin d'émotions marquées (rire, colère, tristesse) en EN/ZH : EmotiVoice (2000+ voix, API OpenAI-compatible, Apache-2.0).
  • Vous faites de la R&D sur la prosodie conversationnelle : ChatTTS (meilleure prosodie dialogue), mais non commercial.
  • Vous voulez changer de voix en temps réel (streaming, jeu, accessibilité) : RVC + un TTS source (Piper/MeloTTS).

Ce que les benchmarks ne disent pas#

VRAM annoncée ≠ VRAM réelle. Les README donnent souvent le minimum pour charger les poids ; en pratique, ajoutez 2-4 Go pour le contexte, le KV cache, le lot (batch size). Sur 8 Go, privilégiez les modèles « small » / quantifiés (Bark small, CosyVoice 300M, GPT-SoVITS half-precision).

La vitesse dépend de la longueur. RTF (Real-Time Factor) mesuré sur phrases courtes. Sur du long (chapitre de livre), le chunking, le ré-encodage du KV cache et la gestion mémoire changent la donne. Fish Speech S2-Pro et CosyVoice 3.0 gèrent le streaming long nativement ; Tortoise, Bark, ChatTTS nécessitent du chunking manuel.

La qualité du clonage dépend de l'audio de référence. 10 min propre (pas de bruit, un seul locuteur, 22-48 kHz) > 30 min bruité. Pour GPT-SoVITS et Fish Speech, 1-2 min suffisent si l'audio est clean. Pour OpenVoice, 5-10 s suffisent mais la similitude timbre reste perfectible.

Les licences des poids ≠ licences du code. C'est le piège n°1 en 2026. Vérifiez chaque modèle : LICENSE (code) vs MODEL_LICENSE / LICENSE dans le dossier des poids / carte HF. « Open source » sur le README ne garantit pas la liberté commerciale des poids.

Notre choix selon votre profil#

Notre choix

OpenVoice V2

8,5/10

OpenVoice V2 gagne pour l'accessibilité : zéro setup GPU, clonage 5 s, 6 langues, MIT. GPT-SoVITS v5 est notre choix « qualité locale » si vous avez 6-8 Go VRAM et 1 min d'audio propre. Fish Speech S2-Pro pour la SOTA qualité (vérifiez la licence). CosyVoice 3.0 pour le streaming production. Piper / MeloTTS pour le TTS pur CPU. EmotiVoice pour l'émotion EN/ZH. ChatTTS pour la prosodie dialogue (recherche seulement).

Pour qui
Développeurs qui veulent cloner une voix instantanément sans GPU, avec licence MIT claire pour usage commercial.
Pas pour qui
Ceux qui exigent la similitude timbre maximale : GPT-SoVITS v5 ou Fish Speech S2-Pro après fine-tuning.

Questions fréquentes#

Questions fréquentes

Quelle est la meilleure alternative gratuite à ElevenLabs pour cloner sa voix ?

OpenVoice V2 pour la simplicité (5 s, Colab, MIT). GPT-SoVITS v5 pour la qualité (1 min, fine-tuning auto, WebUI, MIT) si vous avez un GPU 6-8 Go.

Peut-on utiliser ces modèles en production commerciale ?

Oui pour OpenVoice V2, GPT-SoVITS, CosyVoice, Piper, MeloTTS, EmotiVoice, RVC, Tortoise, Bark (licences MIT/Apache-2.0 sur code et poids). Non pour ChatTTS (poids CC BY-NC 4.0) et F5-TTS (poids CC-BY-NC). Attention pour Fish Speech (licence communautaire restrictive) et Coqui XTTS v2 (vérifiez les termes Coqui actuels).

Quel modèle choisir pour un assistant vocal temps réel (faible latence) ?

CosyVoice 3.0 : bi-streaming 150 ms, support vLLM/TensorRT-LLM, instruct natif (émotion, vitesse). Alternative : Fish Speech S2-Pro en déploiement SGLang/vLLM (RTF 0,195 sur H200).

ElevenLabs reste-t-il meilleur que l'open source ?

Sur la commodité (API unique, pas d'infra, voix pro prêtes, dubbing studio) : oui. Sur la qualité brute de clonage : Fish Speech S2-Pro/Drama 3 et GPT-SoVITS v5 fine-tuné le surpassent ou l'égalent. Sur le coût à volume : l'open source local gagne dès ~500k caractères/mois (coût GPU amorti).

Combien de VRAM faut-il vraiment pour GPT-SoVITS v5 ?

6 Go (half-precision, is_half=true) pour l'inférence zero-shot. 8 Go recommandés pour le fine-tuning SoVITS (1 min). 4 Go possible avec offload CPU mais lent. La WebUI gère l'offload auto.

Peut-on faire du TTS multilingue (FR, EN, ES, DE, JA, KO…) en open source ?

Oui. CosyVoice 3.0 : 9 langues + dialectes. Fish Speech S2-Pro : ~100 langues (benchmark MiniMax 24 langues). Coqui XTTS v2 : 13 langues. MeloTTS : 6 langues + accents. OpenVoice V2 : 6 langues natives. EmotiVoice : EN/ZH seulement.

Sources#

Pages officielles et dépôts consultés le 26 octobre 2026.