# StyleTTS 2

Éditeur : Columbia University. Poids ouverts.

En bref : 92e 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.

Page : https://quelleia.com/voix/modeles/styletts-2/. Classements de la voix de QUELLE IA, à part du score des modèles de langage, relevé du 19 octobre 2026.

## Présentation

Modèle de synthèse vocale qui génère le style de la voix par diffusion, sans extrait de référence, et qui s'entraîne avec de grands modèles de langage vocaux (comme WavLM) servant de discriminateurs. Les auteurs proposent des modèles préentraînés sur LJSpeech (une seule voix) et sur LibriTTS (plusieurs voix, adaptation à un nouveau locuteur en zéro-shot). (lu sur https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md)

- Sortie : 13 juin 2023 (lu sur la page de l'éditeur, https://arxiv.org/abs/2306.07691v1)

## Langues

- Annoncées par l'éditeur : anglais pour les modèles préentraînés (corpus LJSpeech et LibriTTS).
- Évaluées par nos sources : anglais.
- Le français : pas évalué en français par nos sources.
- Source des langues annoncées : https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md

## Ses classements

- Synthèse vocale en anglais, Artificial Analysis : 92e sur 96, Elo 892 (intervalle à 95 % : 877 à 907), 2 584 votes ; prix : 2,82 $ par million de caractères. Source : Artificial Analysis, https://artificialanalysis.ai/text-to-speech/model-families/styletts (relevé du 19 octobre 2026).

## Modèles proches

- Synthèse vocale en anglais, Artificial Analysis : [Neural2](https://quelleia.com/voix/modeles/google-neural2/), 91e (894), juste devant
- Synthèse vocale en anglais, Artificial Analysis : [Standard](https://quelleia.com/voix/modeles/google-standard/), 93e (886), juste derrière

## 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.

## Noms dans les sources

- Artificial Analysis : StyleTTS 2

## Liens

- Page de l'éditeur : https://github.com/yl4579/StyleTTS2

## Pages lues

- https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« StyleTTS 2 differs from its predecessor by modeling styles as a latent random variable through diffusion models to generate the most suitable style for the text without requiring reference speech »), 17/10/2026
- https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« Furthermore, we employ large pre-trained SLMs, such as WavLM, as discriminators with our novel differentiable duration modeling for end-to-end training »), 17/10/2026
- https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« Moreover, when trained on the LibriTTS dataset, our model outperforms previous publicly available models for zero-shot speaker adaptation. »), 17/10/2026
- https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« The pretrained StyleTTS 2 on LJSpeech corpus in 24 kHz can be downloaded at »), 17/10/2026
- https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« The pretrained StyleTTS 2 model on LibriTTS can be downloaded at »), 17/10/2026
- https://raw.githubusercontent.com/yl4579/StyleTTS2/main/README.md (« It contains the pre-trained [PL-BERT](https://arxiv.org/abs/2301.08810) model, which was pre-trained on English (Wikipedia) corpus only. »), 17/10/2026
- https://arxiv.org/abs/2306.07691v1 (« [Submitted on 13 Jun 2023 (this version), latest version 20 Nov 2023 ( v2 )] »), 17/10/2026