Créer une démo vocale locale multilingue sans clonage de voix

L'essentiel à retenir

Scylla's Band est un moteur de synthèse vocale qui fonctionne sur la machine où vous l'installez. Il reçoit du texte, choisit une voix et une langue parmi celles intégrées au modèle, puis produit un fichier audio mono. Vous pouvez régler l'intensité, le débit et la hauteur de la voix. Le système sait aussi répartir un dialogue entre plusieurs voix, lire un texte long par passages, diffuser les morceaux au fur et à mesure et conserver des informations de durée dans un fichier séparé.

L'outil ne clone pas une personne à partir d'un échantillon. Il fournit quatorze voix gérées par le projet, déclinées dans plusieurs langues. Cette limite définit clairement le test : vous évaluez une expérience vocale avec les voix disponibles, pas la reproduction de la voix d'un collaborateur, d'un client ou d'un comédien. Le dépôt propose plusieurs moteurs d'exécution selon le matériel, ainsi qu'une interface en ligne de commande, une API Python, un runtime C++ et des exemples mobiles. Avant une intégration, choisissez une seule scène, écoutez le résultat, relevez les prononciations à corriger et mesurez le poids du bundle retenu sur votre appareil cible.

Le problème que ça résout

Si vous préparez une démonstration de produit qui doit parler, vous avez besoin d'un fichier audio correspondant à un texte précis. Le besoin peut être une phrase d'accueil, une narration, un dialogue entre personnages, une consigne lue à voix haute ou une réponse vocale dans un prototype. Scylla's Band prend ce texte et génère l'audio sur la machine qui exécute le runtime.

Le test devient concret quand vous partez d'une scène écrite. Préparez le texte exact que votre produit devra prononcer. Choisissez ensuite une voix, une langue et trois réglages de livraison : intensité, débit et hauteur. Lancez la génération, écoutez le fichier obtenu et notez les mots, les nombres, les noms propres ou les changements de langue qui demandent une autre formulation.

Pour un dialogue, attribuez une voix à chaque réplique avec les balises prévues par l'outil. Une même scène peut changer de langue et de réglage au fil du texte. Vous récupérez alors un seul fichier audio qui enchaîne les interventions. Pour un texte long, le runtime le découpe en passages, conserve le contexte autour de chacun et continue à partir du son du passage précédent. Le mode de diffusion écrit aussi les morceaux lorsqu'ils sont prêts.

Si votre équipe technique est réduite, confiez-lui un périmètre fermé : installer un bundle sur la machine cible, produire la même scène avec plusieurs réglages, vous livrer les fichiers audio et documenter les écarts entendus. Votre décision porte ensuite sur ces fichiers, sur le matériel utilisé et sur les limites observées pendant ce test.

Ce que c'est concrètement

Scylla's Band réunit un modèle vocal et plusieurs runtimes. Le texte passe d'abord par une normalisation qui transforme notamment les nombres, les dates, les heures, les monnaies, les pourcentages et certaines abréviations en formes prononçables. Un modèle de conversion transforme ensuite les phrases en unités phonétiques. Le système prévoit leur durée, construit une courbe de hauteur, génère des représentations acoustiques puis les décode en audio à 24 kHz.

Le projet fournit quatorze voix. Elles parlent l'anglais américain ou britannique selon la voix choisie, ainsi que l'espagnol, l'italien, le français, l'allemand et le vietnamien. Une langue peut être fixée pour toute la génération ou changée dans un dialogue. L'outil rejette les combinaisons de voix et de dialectes qu'il ne prend pas en charge.

Trois contrôles modifient la livraison. L'intensité agit sur la force donnée à la ligne. Le débit agit sur les mots et sur les pauses. La hauteur déplace la voix en demi-tons. Chaque contrôle accepte des valeurs comprises entre moins deux et deux, puis ramène les demandes extérieures à cette plage. Le texte porte l'émotion exprimée ; le réglage d'intensité modifie la manière dont cette émotion ressort. Une réplique très courte conserve l'intensité et le débit propres à la voix, tandis que le déplacement de hauteur reste appliqué.

Pour les textes longs, le moteur prépare une suite de passages. Le premier s'arrête tôt afin de produire le début de l'audio. Les suivants cherchent une coupure à une fin de phrase, puis à une proposition ou entre deux mots. Chaque passage voit le texte qui l'entoure et reprend le contexte acoustique du précédent. Vous pouvez demander un fichier continu ou des morceaux séparés.

Le dépôt expose plusieurs chemins d'intégration. La ligne de commande couvre le téléchargement des modèles, la liste des voix, la normalisation du texte, la parole, les dialogues, la diffusion et l'affichage du plan de génération. L'API Python reçoit une requête de synthèse et renvoie l'audio, sa fréquence d'échantillonnage et des métadonnées. Le runtime C++ fournit une API C pour les mêmes bundles. Des exemples Android et iOS montrent comment intégrer le runtime mobile.

Le projet sait aussi chanter à partir d'une partition structurée. Cette fonction utilise des paroles, un tempo, un style et une liste de notes. Elle appartient au même dépôt, mais elle demande un bundle de quatrième génération. Pour une première démo parlée, laissez cette fonction hors du périmètre et testez d'abord une scène de parole représentative.

Comment s'en servir

1. Écrire une scène de référence

Choisissez une seule scène que votre produit devra lire. Écrivez la ponctuation, les nombres, les dates, les sigles et les changements de langue tels qu'ils apparaîtront dans le produit. Conservez ce texte comme référence pour toutes les générations du test.

Ajoutez, si nécessaire, une seconde version où les termes difficiles sont écrits comme vous souhaitez les entendre. Le runtime possède une normalisation intégrée et un lexique pour certains sigles, mais le dépôt signale des erreurs occasionnelles de prononciation. Comparez les deux fichiers à l'écoute.

2. Choisir la machine et le bundle

Faites correspondre le bundle au matériel visé. Le projet propose Core ML pour les Mac Apple silicon, Core AI pour des appareils Apple récents, LiteRT pour Linux, Windows, Android et les Mac Intel, ONNX Runtime pour les plateformes compatibles, ainsi qu'un bundle WebGPU utilisable dans un navigateur ou avec un processeur graphique NVIDIA via ONNX Runtime.

Notez le poids téléchargé avant le test. Les bundles documentés vont de 406 Mo pour Core ML à 1,1 Go pour ONNX Runtime. LiteRT occupe 470 Mo, Core AI 418 Mo et WebGPU 782 Mo. Ces tailles appartiennent aux bundles publiés par le projet ; relevez celle du fichier réellement installé dans votre essai.

3. Installer et valider le bundle

Demandez à votre équipe technique ou à votre prestataire d'installer le runtime dans un environnement séparé. Le projet demande Python 3.10 à 3.14 sur les systèmes pris en charge. Son assistant de téléchargement peut créer un environnement virtuel, installer le runtime et récupérer le bundle adapté à la machine.

Après le téléchargement, utilisez la validation fournie par l'outil. Listez ensuite les voix disponibles sur cette installation. Gardez le nom du bundle, sa révision et la provenance enregistrée par le runtime avec les fichiers du test.

4. Générer une première version neutre

Sélectionnez une voix et sa langue, puis laissez l'intensité, le débit et la hauteur à leur valeur propre. Générez le fichier audio. Écoutez la scène entière et relevez la prononciation, les pauses, le passage entre les phrases et la durée obtenue.

Demandez aussi les métadonnées. Le runtime peut écrire les unités phonétiques, leurs durées et les repères temporels dans un fichier JSON. Utilisez ces repères pour retrouver le passage correspondant à une anomalie entendue.

5. Tester les contrôles séparément

Changez un réglage à la fois. Produisez une version avec un autre débit, puis revenez au réglage initial avant de modifier l'intensité. Faites de même pour la hauteur. Nommez les fichiers avec la voix, la langue et les valeurs utilisées.

Le projet distingue le débit contrôlé par le modèle d'un étirement temporel appliqué après la génération. Gardez ces deux options dans des essais séparés. Pour chaque fichier, notez le paramètre réellement changé.

6. Construire le dialogue ou la narration longue

Quand la voix unique est validée pour votre scène, passez au format final. Pour un dialogue, placez les balises de voix, de langue et de livraison dans le texte. Pour une narration longue, fournissez le document au runtime et demandez soit un fichier continu, soit les morceaux produits par le mode de diffusion.

Écoutez les jonctions entre les passages et les changements de voix. Ajoutez une pause explicite aux changements seulement si votre scène la demande. Le runtime possède un réglage dédié aux silences lors d'un changement de voix, de langue ou de livraison.

7. Conserver le dossier de décision

Rangez ensemble le texte de référence, les fichiers audio, les réglages, le bundle, sa révision, la machine et les remarques d'écoute. Ajoutez les erreurs de prononciation encore présentes et les voix ou langues écartées. Si vous poursuivez l'intégration, ce dossier devient le périmètre transmis à l'équipe technique.

Ce que ça coûte vraiment

Le dépôt et le code sont publiés sous licence Apache 2.0. Le modèle est téléchargé séparément depuis le dépôt de modèles indiqué par le projet. L'espace disque dépend du bundle choisi : 406 Mo pour Core ML, 418 Mo pour Core AI, 470 Mo pour LiteRT, 782 Mo pour WebGPU et 1,1 Go pour ONNX Runtime dans la documentation consultée.

Le coût matériel dépend du chemin d'exécution. LiteRT fonctionne sur processeur. Core ML et Core AI peuvent utiliser le processeur graphique ou, selon le bundle et l'appareil, le Neural Engine. ONNX Runtime peut fonctionner sur processeur et le bundle WebGPU peut être exécuté sur un processeur graphique NVIDIA avec les dépendances CUDA prévues par le projet.

Le dépôt publie des mesures sur plusieurs appareils, avec un passage de 10,3 secondes et le réglage d'échantillonnage par défaut. Ces résultats décrivent les appareils testés, pas votre machine. Reprenez le même principe : mesurez le premier lancement, un lancement ultérieur, le délai avant le premier son et la vitesse de génération sur le matériel retenu.

Ajoutez au dossier le temps consacré à l'installation, au téléchargement, à l'écoute, au traitement des prononciations et à l'intégration dans votre produit. Ajoutez aussi la place occupée par le runtime et ses dépendances. Si vous changez de backend, ouvrez une ligne séparée : chaque bundle et chaque moteur possède ses propres paquets et son propre comportement de démarrage.

La génération locale ne supprime pas ces postes. Elle déplace le test vers votre machine, votre stockage et votre procédure de mise à jour. Écrivez qui choisit la révision du modèle, qui écoute une nouvelle version et qui conserve les anciens fichiers de référence.

Pour qui ce n'est pas

N'utilisez pas Scylla's Band si votre projet exige de reproduire la voix d'une personne. Le dépôt indique qu'il ne fournit pas de clonage de locuteur arbitraire. Choisissez l'une des voix intégrées ou changez d'outil.

Écartez-le aussi si aucune des langues proposées ne correspond à votre scène. Les langues documentées sont l'anglais, l'espagnol, l'italien, le français, l'allemand et le vietnamien. Une translittération improvisée ne remplace pas une langue prise en charge par le modèle.

Ne retenez pas le résultat sur la seule base des tests automatisés du projet. Le dépôt précise que ces tests ne démontrent pas le naturel d'une voix et demande une écoute. Il signale des erreurs occasionnelles de prononciation et une rugosité possible lors de mouvements de hauteur rapides et étendus sur certaines voix.

Écartez enfin ce runtime si votre appareil ne peut pas accueillir le bundle choisi, ses dépendances ou son moteur d'exécution. Vérifiez l'espace disque, le système, la version de Python, le temps de démarrage et le délai avant le premier son sur la cible réelle. Si votre produit doit parler en arrière-plan sur un appareil Apple, testez le mode de calcul prévu pour ce contexte dans la documentation du projet.

Source : https://github.com/lowkeytea/scyllasband

FAQ

Scylla's Band peut-il cloner ma voix ?

Non. Le projet fournit quatorze voix intégrées et indique qu'il ne propose pas de clonage arbitraire à partir d'une voix externe. Votre test doit choisir parmi les voix livrées avec le modèle.

Quelles langues sont disponibles ?

Les voix prennent en charge l'anglais américain ou britannique selon leur profil, ainsi que l'espagnol, l'italien, le français, l'allemand et le vietnamien. Le runtime contrôle les combinaisons demandées et rejette celles qu'il ne connaît pas.

Peut-on générer un dialogue avec plusieurs voix ?

Oui. Le format de dialogue permet d'indiquer une voix, une langue et des réglages de livraison pour chaque partie du texte. Un réglage de pause peut ajouter du silence lors des changements.

Peut-on traiter un texte long ?

Oui. Le runtime découpe le texte en passages, utilise le contexte voisin et produit soit une onde continue, soit des morceaux séparés en mode de diffusion. Écoutez les jonctions sur votre propre document avant l'intégration.

Quel bundle faut-il choisir ?

Choisissez d'après le système et le matériel cible : Core ML ou Core AI sur les plateformes Apple prévues, LiteRT sur Linux, Windows, Android ou Mac Intel, ONNX Runtime selon sa compatibilité, et WebGPU pour le navigateur ou le chemin NVIDIA documenté. Mesurez ensuite le bundle sur la cible réelle.

L'outil sait-il chanter ?

Oui, avec un bundle de quatrième génération et une partition JSON contenant paroles, tempo, style et notes. Cette fonction possède ses propres contraintes de découpage, de registre et de décodage. Traitez-la comme un essai distinct de la synthèse parlée.

---

Publié le 7 novembre 2026.

Cet article est un outil d'orientation, pas un avis juridique. Pour une analyse adaptée à votre situation, consultez un professionnel qualifié.