Tests de synthèse vocale reproductibles dans le navigateur
Les chiffres des fabricants viennent souvent d’autres machines. Ici, un clic fait lire le même texte à chaque modèle sur votre appareil, avec mesure en direct. Références ci-dessous.
Les modèles absents sont téléchargés une fois puis conservés. Les gros modèles ne sont pas cochés : sélectionnez-les pour inclure leur téléchargement. Tous lisent le même texte de deux phrases avec leur voix par défaut.
Résultats de référence
Démos publiées, mesures des développeurs et nos tests. Un RTF plus bas est plus rapide ; 1,0 = temps réel. Vérifié en juillet 2026.
| Modèle | Matériel / environnement | RTF | Source |
|---|---|---|---|
| Kokoro-82M | M2 MacBook Air (WebGPU, fp32) | 0.2–0.4 | Démo webml-community, 2026 |
| Kokoro-82M | Ordinateur portable x86 de milieu de gamme (WASM q8, 1 fil) | ≈1.1 | Retours de la communauté kokoro-js, 2025 |
| Piper (voix de qualité moyenne) | Ordinateur portable x86 de milieu de gamme (WASM) | ≈0.11 | Mesures sherpa-onnx / piper, 2025 |
| KittenTTS Nano | Ordinateur portable Core i7 (WASM int8) | ≈0.4 | Suivi des problèmes KittenML, 2026 |
| Kyutai Pocket TTS | Apple M4 (WASM, diffusion en continu) | ≈0.17 (6× RT) | Notes de version Kyutai, janvier 2026 |
| Chatterbox 0.5B | GPU de bureau de classe RTX (WebGPU q4) | ≈1.0 | Démo Resemble AI transformers.js, 2026 |
Méthode
- Texte fixe d’environ 220 caractères et deux phrases, lu avec la voix par défaut de chaque modèle.
- Le temps va de la tokenisation au tampon audio final, hors téléchargement. Les premiers essais avec téléchargement sont marqués *.
- Selon l’appareil : WebGPU avec Kokoro fp32, sinon WebAssembly q8/int8.
- RTF = temps de génération ÷ durée audio.
- Tout s’exécute sur votre appareil. Vos résultats ne sont jamais envoyés.
Taille et prérequis matériels figurent sur chaque page de modèle : Kokoro-82M, Piper, KittenTTS Nano, Kyutai Pocket TTS, Supertonic-3, Chatterbox, MOSS-TTS-Nano, Chatterbox Multilingual, OuteTTS-1.0 (0.6B), Orpheus-3B, MOSS-TTS (8.5B).
Questions fréquentes
Qu'est-ce que le RTF (facteur temps réel) ?
Temps de génération divisé par durée audio. Un RTF de 0,5 signifie 10 secondes d'audio créées en 5 secondes, soit 2× le temps réel. Sous 1,0, c'est plus rapide ; au-dessus, il faut attendre.
Pourquoi mes chiffres diffèrent-ils du tableau de référence ?
C'est le but. La vitesse dépend du CPU/GPU, du navigateur, de WebGPU, de la température et de l'exécution GPU ou WASM. Les références indiquent leur matériel ; votre test indique le vôtre.
Le benchmark est-il équitable entre modèles ?
Chaque modèle lit les mêmes deux phrases avec sa voix par défaut. Le téléchargement initial est signalé par * pour distinguer les démarrages à froid des suivants. C'est un test de débit, pas de qualité : écoutez aussi.
Le benchmark envoie-t-il mes résultats quelque part ?
Non. Les résultats s'affichent localement, avec un bouton de copie pour les partager. Rien n'est collecté.