XTTS v2
- Poids ouverts
- Licence : Coqui Public Model License
- Français annoncé
En bref : 27e sur 31 en synthèse vocale en français, dans un peloton de 3 modèles que la marge d'erreur ne permet pas de séparer ; 88e sur 96 en synthèse vocale en anglais (Artificial Analysis), dans un peloton de 6 modèles que la marge d'erreur ne permet pas de séparer.
Présentation
Modèle de génération de voix qui clone une voix dans d'autres langues à partir d'un extrait de 6 secondes, avec transfert d'émotion et de style. Par rapport à XTTS v1, il ajoute le hongrois et le coréen, accepte plusieurs voix de référence et améliore la prosodie. Lu sur huggingface.co, le 17/10/2026.
- Sortie
- 6 novembre 2023 lu sur la page de l'éditeur
Langues
- Annoncées par l'éditeur : 17 langues, dont le français (en, es, fr, de, it, pt, pl, tr, ru, nl, cs, ar, zh, ja, hu, ko, hi). Lu sur huggingface.co.
- Évaluées par nos sources : français et anglais.
- Le français : annoncé par l'éditeur ; évalué, 27e sur 31 en synthèse vocale en français (1 013).
Ses 2 classements
Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.
- En français · Synthèse vocale
Synthèse vocale en français
27e sur 31Elo 1 013, intervalle 991 à 1 035, 1 175 votes
Prix : 40 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
- En anglais · Synthèse vocale
Synthèse vocale en anglais, Artificial Analysis
88e sur 96Elo 917, intervalle 902 à 932, 2 611 votes
Prix : 40 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
Modèles proches
- Synthèse vocale en français : devant, Fish Audio S2 Pro (26e, 1 049) · derrière, OpenAudio S1 (28e, 1 000)
- Synthèse vocale en anglais, Artificial Analysis : devant, WaveNet (87e, 918) · derrière, Mist V2 (89e, 904)
Comment lire ces chiffres
Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.
D'où vient cette fiche
- Nom dans les sources
- Artificial Analysis :
XTTS v2 - Fiche
- Nom et éditeur tels que la source les écrit ; présentation et langues lues sur les pages de l'éditeur.
- Pages lues
- https://huggingface.co/coqui/XTTS-v2/raw/main/README.md (« ⓍTTS is a Voice generation model that lets you clone voices into different languages by using just a quick 6-second audio clip. »), 17/10/2026
- https://huggingface.co/coqui/XTTS-v2/raw/main/README.md (« Emotion and style transfer by cloning. »), 17/10/2026
- https://huggingface.co/coqui/XTTS-v2/raw/main/README.md (« 2 new languages; Hungarian and Korean - Architectural improvements for speaker conditioning. - Enables the use of multiple speaker references and interpolation between speakers. »), 17/10/2026
- https://huggingface.co/coqui/XTTS-v2/raw/main/README.md (« XTTS-v2 supports 17 languages: **English (en), Spanish (es), French (fr), German (de), Italian (it), Portuguese (pt), »), 17/10/2026
- https://huggingface.co/coqui/XTTS-v2/raw/main/README.md (« Polish (pl), Turkish (tr), Russian (ru), Dutch (nl), Czech (cs), Arabic (ar), Chinese (zh-cn), Japanese (ja), Hungarian (hu), Korean (ko) Hindi (hi)**. »), 17/10/2026
- https://api.github.com/repos/coqui-ai/TTS/releases/tags/v0.20.0 (« XTTS v2.0 by @Edresson in https://github.com/coqui-ai/TTS/pull/3137 »), 17/10/2026
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.