Ollama ajoute la synthèse vocale sur Mac : Phonon est 35 % plus rapide que le runtime natif
Ollama, l'outil qui fait tourner des réseaux de neurones directement sur votre ordinateur, sait maintenant lire un texte à voix haute. Son premier modèle vocal est Phonon, de Gradium. Sur un MacBook Pro équipé de la puce M5 Max, Ollama synthétise la parole 35 % plus vite que ptts, le programme d'exécution propre à Gradium, et le taux d'erreurs de reconnaissance des mots est identique à celui de l'implémentation de référence. La réponse d'un chatbot local peut donc être lue à voix haute sans passer par le cloud, mais pour l'instant seulement sur Mac et seulement en anglais.
Traité par IA depuis Ollama Blog ; édité par Hamidun News
Imaginez que vous ayez lancé un chatbot sur votre ordinateur portable : il répond par écrit, et vous aimeriez qu'il parle. Jusqu'ici, il fallait brancher un service cloud de synthèse vocale ou assembler une chaîne de programmes séparés. Désormais, Ollama, outil populaire pour faire tourner des réseaux de neurones en local, prend en charge les modèles vocaux. Le premier est Phonon, une famille de petits modèles de synthèse vocale (text-to-speech, soit « texte vers voix ») développée par Gradium.
Le chiffre phare de cette sortie est 35 %. C'est l'avance d'Ollama sur le concurrent le plus proche : le programme d'exécution propre à Gradium, appelé ptts. La mesure a été réalisée sur un MacBook Pro équipé de la puce Apple M5 Max : le modèle générait 45 secondes de parole, et le résultat est la médiane de 10 exécutions. La vitesse se mesure au rapport entre le temps de génération et la durée de la parole produite : plus ce rapport est élevé, plus le son est prêt rapidement.
Comment l'essayer
Les modèles vocaux ne sont pour l'instant disponibles que sous macOS ; Windows et Linux sont annoncés pour plus tard. Il faut Ollama en version 0.40.11 ou ultérieure. Ensuite, une seule commande suffit : ollama run phonon "Hello from Ollama." — et l'ordinateur prononce la phrase. La voix se choisit avec l'option --voice (l'exemple utilise la voix Hadley du catalogue Gradium), et le résultat peut être enregistré dans un fichier WAV par simple redirection de la sortie dans le shell.
L'association avec un modèle de chat est également pratique. La réponse peut être transmise directement à Phonon : le texte est lu au fur et à mesure de son arrivée, de sorte que la parole commence après la première phrase, et non après la génération complète de la réponse. L'exemple du blog combine ainsi le modèle gemma4 et Phonon : le premier énonce un fait sur les hiboux, le second le lit à voix haute.
Ce que valent les mesures
Sur Apple Silicon, Ollama s'appuie sur MLX, le framework d'apprentissage automatique d'Apple. La comparaison avec Gradium n'est toutefois pas tout à fait à armes égales : le runtime de Gradium combine plusieurs formats, des poids en 8 bits sur le processeur, du fp16 sur le Neural Engine et du f32 sur le GPU, tandis qu'Ollama exécute le modèle en bf16. Par ailleurs, les chiffres ont été obtenus par les auteurs d'Ollama eux-mêmes, sans vérification indépendante à ce stade.
La qualité n'a pas été dégradée par l'accélération. Ollama a comparé le taux d'erreurs de reconnaissance des mots (word error rate) avec l'implémentation de référence dans Hugging Face Transformers. Pour le test, 200 phrases anglaises du jeu de données Seed-TTS ont été synthétisées, puis reconnues par Whisper large-v3. Plus le taux d'erreurs est bas, plus la parole est intelligible. Le score d'Ollama correspond à celui de la référence : l'optimisation n'a pas altéré la prononciation.
Intégration et licences
Pour les développeurs, le point essentiel est que Phonon fonctionne via le point de terminaison /v1/audio/speech compatible OpenAI. Si un projet utilise déjà le SDK OpenAI pour la synthèse vocale, il suffit de remplacer l'URL de base par http://localhost:11434/v1 et d'indiquer une clé quelconque, par exemple « ollama ». Des exemples sont fournis pour curl, Python et JavaScript. La réponse arrive en flux continu et peut être transmise directement à un lecteur comme ffplay, si bien que la lecture démarre quasi instantanément. Le son est produit en 24 kHz, en mono : par défaut en WAV ou en échantillons bruts de 16 bits.
Les licences réservent une mauvaise surprise. Phonon est publié sous Apache 2.0, mais les modèles de taille 40M relèvent de CC BY-NC 4.0, c'est-à-dire un usage non commercial uniquement. Pour une startup, cela signifie qu'un prototype peut être construit, mais qu'un produit payant ne peut pas être commercialisé sur ces poids sans accord spécifique. Les conditions des autres tailles de la famille sont à vérifier dans les fiches des modèles.
Autres limites : seul le Mac est pris en charge pour l'instant, et tous les exemples et mesures concernent l'anglais. Aucune prise en charge du russe n'est annoncée dans ce matériel, il ne faut donc pas compter dessus.
Que faire
Si vous développez un assistant vocal local, un lecteur de texte, une synthèse vocale pour des outils internes ou un prototype d'agent à voix sur Mac, il vaut la peine de tester dès maintenant : l'entrée se fait par une seule commande et un changement d'URL dans le code existant. Pour les projets commerciaux, vérifiez d'abord la licence du modèle concerné, et mesurez vous-même la vitesse sur votre propre matériel.
- 21 nov. 2026Mémoire flash pour SSD : les prix chutent de 19 à 32 % sur le marché spot, les disques pourraient devenir moins chers
- 21 nov. 2026Unsloth met à jour ses versions compressées de Qwen3.8-27B : précision en hausse de 5 à 10 % à taille égale
- 21 nov. 2026L'IA écrit du code vulnérable dans 44 % des tests : Positive Technologies donne un scanner aux agents
- 21 nov. 2026Sber sort une enceinte avec GigaChat à 14 990 roubles : la voix fonctionne sans Internet
Questions clés sur cet article
Comment l'essayer?
Les modèles vocaux ne sont pour l'instant disponibles que sous macOS ; Windows et Linux sont annoncés pour plus tard. Il faut Ollama en version 0.40.11 ou ultérieure. Ensuite, une seule commande suffit : ollama run phonon "Hello from Ollama." — et l'ordinateur prononce la phrase. La voix se choisit avec l'option --voice (l'exemple utilise la voix Hadley du catalogue Gradium), et le résultat peut être enregistré dans un fichier WAV par simple redirection de la sortie dans le shell.
Que sait-on sur Ce que valent les mesures ?
Sur Apple Silicon, Ollama s'appuie sur MLX, le framework d'apprentissage automatique d'Apple. La comparaison avec Gradium n'est toutefois pas tout à fait à armes égales : le runtime de Gradium combine plusieurs formats, des poids en 8 bits sur le processeur, du fp16 sur le Neural Engine et du f32 sur le GPU, tandis qu'Ollama exécute le modèle en bf16. Par ailleurs, les chiffres ont été obtenus par les auteurs d'Ollama eux-mêmes, sans vérification indépendante à ce stade.
Que sait-on sur Intégration et licences ?
Pour les développeurs, le point essentiel est que Phonon fonctionne via le point de terminaison /v1/audio/speech compatible OpenAI. Si un projet utilise déjà le SDK OpenAI pour la synthèse vocale, il suffit de remplacer l'URL de base par http://localhost:11434/v1 et d'indiquer une clé quelconque, par exemple « ollama ». Des exemples sont fournis pour curl, Python et JavaScript.
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.