Glasvo lit 17 secondes de russe en 0,08 s sur une RTX 3070 domestique
Lassé des synthèses vocales en ligne avec limite de caractères et abonnement, un développeur a créé Glasvo, un logiciel gratuit et open source qui lit du texte à voix haute sur un PC personnel. Sur une carte RTX 3070, le moteur Silero a lu un paragraphe de 285 caractères (17 secondes d'audio) en 0,08 s, et le clonage de voix a pris 4,4 à 5 s. Pour le russe, cette pile locale remplace un abonnement, mais elle exige environ 10 Go de disque et une vérification des licences.
Traité par IA depuis Habr AI ; édité par Hamidun News
Si vous devez régulièrement faire lire du texte russe à voix haute, vous connaissez l'agacement : la limite gratuite de caractères est atteinte, puis on vous réclame un abonnement. L'auteur du projet Glasvo a réglé le problème autrement : il a créé un logiciel qui lit le texte à voix haute directement sur un ordinateur personnel. Le code est ouvert, sous licence MIT.
Côté vitesse, sur une carte graphique de jeu RTX 3070 (8 Go de mémoire), le moteur Silero a lu un paragraphe de 285 caractères, soit un peu plus de 17 secondes de parole, en 0,08 seconde. Le clonage de voix, où le logiciel lit le texte avec une voix reproduite à partir d'un court échantillon, prend 4,4 à 5 secondes sur le même texte. Conclusion pratique : pour le russe, la synthèse vocale locale peut désormais remplacer un abonnement, mais elle a ses pièges, que l'auteur a honnêtement consignés.
Ce que contient Glasvo et ce qu'il pèse
Dans une fenêtre tkinter, trois moteurs sont réunis : Silero, les voix en ligne de Microsoft Edge, et le clonage de voix via XTTS-v2 et F5-TTS. Les modèles eux-mêmes s'appellent en une dizaine de lignes de code. L'essentiel du travail a porté sur les détails qui les entourent.
Le programme lui-même pèse environ 8 Mo ; l'installateur télécharge le reste. L'environnement Python 3.12 avec PyTorch 2.5.1 (CUDA 12.1) et 168 paquets occupe environ 5,5 Go. Les modèles Silero pèsent de 39 à 141 Mo chacun, XTTS-v2 2,0 Go, le checkpoint russe de F5-TTS 1,4 Go, et Whisper small, qui transcrit le texte de l'échantillon vocal, 0,9 Go. Au total, environ 10 Go.
La carte graphique n'est nécessaire que pour le clonage de voix. Silero et Edge fonctionnent sans elle. Pour XTTS et F5, le pic de mémoire vidéo mesuré est d'environ 2 Go, mais l'auteur recommande une carte d'au moins 6 Go.
Les mesures ont été faites sur un seul texte russe de 285 caractères, après échauffement :
- Silero v5_ru sur GPU : 0,08 s, sur processeur : 0,53 s ;
- XTTS-v2 : 5 s pour 18,7 s d'audio, chargement du modèle en 13 s ;
- F5-TTS : 4,4 s pour 17,3 s d'audio, chargement en 4 s.
L'auteur précise qu'il s'agit d'exécutions isolées sur une seule machine, et non d'un benchmark. L'ordre de grandeur est néanmoins clair : Silero tourne des centaines de fois plus vite que le temps réel, le clonage de voix environ trois à quatre fois plus vite.
Ce que Silero écarte en silence
La plus mauvaise surprise : face aux chiffres et à l'alphabet latin, Silero ne renvoie pas d'erreur, il les saute simplement. À la place de « dve tysyatchi dvadtsat chest » (« deux mille vingt-six »), l'audio comporte un trou. Les mots anglais sont éliminés tout aussi discrètement par les modèles russes.
Deux fonctions précèdent donc le modèle. La première convertit les nombres en mots via num2words et gère les fractions, les énumérations et le signe moins. Les déclinaisons ne sont pas parfaites : « v 1990 godu » (« en 1990 ») peut être mal prononcé, et l'auteur conseille d'écrire ces nombres en toutes lettres. La seconde fonction traite l'alphabet latin en trois étapes :
- Les mots courants viennent d'un dictionnaire : YouTube devient « yutub », Windows devient « vindous ».
- Les mots en majuscules et sans voyelles sont épelés : USB devient « yu-es-bi ».
- Tout le reste passe par une translittération.
La vérification est menée en ingénieur : des phrases contenant des mots anglais ont été synthétisées puis retranscrites par Whisper, et tous les mots ont été retrouvés. Le clonage a été testé en boucle fermée : une voix Silero sert d'échantillon, XTTS et F5 lisent avec elle un texte russe, que Whisper retranscrit. Les mots correspondent à 100 % pour les deux moteurs.
Il existe aussi des limites de longueur. Un fragment de texte ne doit pas dépasser environ 700 caractères pour Silero, environ 182 pour XTTS-v2 ; pour F5, l'auteur a retenu 400. Un texte long est découpé par phrases, puis recollé. Les modèles russes de Silero ne proposent que cinq voix ; 29 autres se trouvent dans v5_cis_base et parlent avec un accent.
Dépendances, installation et licences
L'auteur a surtout bataillé avec les versions de paquets. Le clonage tire coqui-tts, f5-tts et transformers, et le gestionnaire de paquets se heurte à des conflits. Il a fallu figer torch 2.5.1 : transformers 5 et diffusers 0.43 exigent une version 2.6 au minimum, ce qui casse le reste. Il a aussi fallu transformers en dessous de la version 5, huggingface_hub en dessous de 1.0 et omegaconf 2.3.1 pour hydra, requis par F5. Le fichier requirements.txt contient une copie exacte de l'environnement fonctionnel (pip freeze), et non des plages de versions.
L'installation est pensée pour quelqu'un qui n'a pas Python : un script télécharge uv, installe Python 3.12 par son intermédiaire et crée un venv. Sans carte NVIDIA, c'est la build de PyTorch pour processeur qui est installée. Deux pièges : le cache uv doit se trouver dans un dossier au chemin court, faute de quoi le paquet antlr4 ne se compile pas, et deux processus ne doivent pas télécharger des modèles dans le même dossier.
La contrainte principale tient aux licences. Le code est sous MIT, mais les modèles sont pour la plupart non commerciaux : Silero et le checkpoint russe de F5-TTS sont publiés sous CC BY-NC 4.0, XTTS-v2 sous Coqui Public Model License, et seul Whisper est sous MIT. Pour des vidéos monétisées, il faut lire séparément les conditions du modèle utilisé. Mieux vaut ne cloner que sa propre voix ou celle d'une personne qui y a consenti.
Bilan pour les praticiens : une synthèse vocale russe locale se monte en une soirée. Prévoyez 10 Go de disque, ajoutez un prétraitement des chiffres et de l'alphabet latin, figez les versions des paquets et vérifiez d'emblée les licences si vous visez un usage commercial.
- 22 nov. 2026Un agent de Microsoft a écrit à la main les poids d'un réseau de neurones et atteint 100 % de précision sur 13 tâches
- 22 nov. 2026La SEC examine la comptabilité de Nvidia : l'action chute de 14 % en une seule journée
- 22 nov. 2026Le projet personnel de LangChain est devenu une start-up valorisée 3 milliards de dollars en quatre ans et a levé 300 millions
- 22 nov. 2026Anthropic entre au Nasdaq : l'action passe de 83 $ à 111 $, mais la sécurité tiendra-t-elle ?
Questions clés sur cet article
Que sait-on sur Ce que contient Glasvo et ce qu'il pèse ?
Dans une fenêtre tkinter, trois moteurs sont réunis : Silero, les voix en ligne de Microsoft Edge, et le clonage de voix via XTTS-v2 et F5-TTS. Les modèles eux-mêmes s'appellent en une dizaine de lignes de code. L'essentiel du travail a porté sur les détails qui les entourent. Le programme lui-même pèse environ 8 Mo ; l'installateur télécharge le reste. L'environnement Python 3.12 avec PyTorch 2.5.1 (CUDA 12.1) et 168 paquets occupe environ 5,5 Go.
Que sait-on sur Ce que Silero écarte en silence ?
La plus mauvaise surprise : face aux chiffres et à l'alphabet latin, Silero ne renvoie pas d'erreur, il les saute simplement. À la place de « dve tysyatchi dvadtsat chest » (« deux mille vingt-six »), l'audio comporte un trou. Les mots anglais sont éliminés tout aussi discrètement par les modèles russes. Deux fonctions précèdent donc le modèle. La première convertit les nombres en mots via num2words et gère les fractions, les énumérations et le signe moins.
Que sait-on sur Dépendances, installation et licences ?
L'auteur a surtout bataillé avec les versions de paquets. Le clonage tire coqui-tts, f5-tts et transformers, et le gestionnaire de paquets se heurte à des conflits. Il a fallu figer torch 2.5.1 : transformers 5 et diffusers 0.43 exigent une version 2.6 au minimum, ce qui casse le reste. Il a aussi fallu transformers en dessous de la version 5, huggingface_hub en dessous de 1.0 et omegaconf 2.3.1 pour hydra, requis par F5.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.