Écoutez-les maintenant : la Démo des voix fait tourner Miro et Dii en direct dans votre navigateur — choisissez une langue, tapez une phrase et écoutez. Sans installation, sans serveur.
Les gens retiennent la voix d’un assistant plus que son nom. La question centrale de notre partenariat avec OpenVoiceOS est donc pratique : à qui l’assistant devrait-il ressembler, dans chaque langue ?
La réponse est Miro (masculin) et Dii (féminin) — deux identités vocales qui se maintiennent à travers toutes les langues prises en charge par OpenVoiceOS. Un utilisateur qui configure l’assistant à Lisbonne et passe ensuite à l’allemand devrait entendre le même locuteur familier. Une voix de marque, toutes les langues, propriété de la communauté.
Une identité, de nombreuses langues
La façon habituelle d’obtenir une voix multilingue consiste à entraîner un seul modèle sur de nombreuses langues à la fois. Cela fonctionne, mais tend à brouiller le résultat : les accents débordent d’une langue à l’autre, la prononciation devient approximative et la voix perd la netteté d’un locuteur natif.
Nous empruntons le chemin le plus difficile. Pour chaque langue, nous construisons un modèle monolingue — un modèle, une langue, entraîné pour bien parler cette langue. L’astuce qui les relie est le clonage vocal : chaque modèle monolingue de Miro est cloné à partir de la même identité source, et de même pour Dii. Le résultat est une famille de modèles, un par langue, qui parlent chacun comme un natif tout en partageant le même timbre, le même caractère, la même Miro-itude ou Dii-itude. Vous obtenez une prononciation de qualité native et une identité unique reconnaissable, au lieu de sacrifier l’une pour l’autre.
Ces modèles sont entraînés et servis avec phoonnx, notre framework TTS ouvert — basé sur VITS, exporté vers ONNX, uniquement sur CPU. Les voix fonctionnent entièrement hors ligne ; pas de cloud, pas de clé d’API, aucune donnée qui quitte votre matériel. Au sein d’OpenVoiceOS, le plugin ovos-tts-plugin-phoonnx se charge de les récupérer et de les charger. Pour toute l’histoire du matériel et de l’architecture, voir Un TTS qui tourne sur une patate.
La recherche en G2P qui rend cela possible
Bien parler une langue ne concerne pas seulement la voix — il s’agit de savoir comment l’écriture est censée sonner. C’est le travail de la conversion graphème-vers-phonème (G2P) : transformer le texte écrit en la séquence de phonèmes que le modèle prononce réellement. Chaque nouvelle langue que nous abordons s’accompagne de sa propre recherche en G2P, et c’est dans cette recherche que réside une grande partie du vrai travail.
phoonnx est délibérément flexible ici. Il peut piloter toute une gamme de phonémiseurs — eSpeak, Gruut, Epitran, le ByT5 G2P basé sur des modèles, et des outils spécifiques à chaque langue là où les moteurs généraux sont insuffisants. Cela se rattache directement à notre pile phonétique plus large : notre recherche sur l’orthographe-vers-IPA et les phonémiseurs lusophones que nous avons construits pour la famille portugaise nourrissent le même objectif — une IPA précise pour des langues que les grands fournisseurs de TTS ne se sont jamais donné la peine de modéliser avec soin. Quand une langue ne dispose d’aucun bon phonémiseur prêt à l’emploi, cette lacune est le projet. Nous faisons d’abord la recherche sur la correspondance graphie-son, puis la voix suit.
Deux modèles pour chaque langue demandée
Voici l’offre concrète, et c’est le cœur du partenariat : pour chaque langue que quelqu’un demande, nous construirons deux modèles de TTS — Miro et Dii. Pas une feuille de route de peut-être-un-jour ; un engagement permanent. Demandez une langue, et le duo universel y arrive.
Et nous voulons dire toutes les langues, pas seulement les langues confortables et commercialement évidentes. Les voix qui manquent au monde sont rarement celles qui comptent cent millions de locuteurs — ce sont les langues menacées et minoritaires que le TTS grand public ignore discrètement parce que le marché est trop petit pour qu’on s’en soucie. Ce sont exactement les langues que nous voulons atteindre : des communautés qui n’ont jamais eu de voix synthétique de haute qualité à appeler la leur, et qui n’ont aucune raison de s’attendre à ce qu’un fournisseur de la Silicon Valley la leur fournisse un jour.
Ce n’est pas une promesse pour plus tard. Au moment d’écrire ces lignes, la collection de modèles TTS phoonnx sur Hugging Face recense 13 langues avec au moins une voix publiée, et 8 d’entre elles — le basque, l’arabe, le portugais européen, l’asturien, l’aragonais, le frison, l’occitan et l’espagnol colombien — disposent déjà à la fois de Miro et de Dii.
Ouvert et auto-hébergé
Les voix sont gratuites et open source, fonctionnent hors ligne et auto-hébergées de sorte que rien de ce que vous dites ne quitte votre matériel, et toute la pile — le moteur, les phonémiseurs, la recherche en G2P, les voix entraînées — est ouverte pour qu’une communauté puisse la prendre et la garder.
Si votre langue n’y figure pas encore, ce n’est pas une porte fermée — c’est une demande qui attend d’être faite.