Les crédits s’épuisent vite et les conditions de licence gênent souvent, alors beaucoup de créateurs cherchent une alternative à ElevenLabs. Cet article compare les outils gratuits en ligne, les moteurs open source et les options de clonage vocal, avec les réglages, les notes sur les licences et des choix pour les podcasts, les publicités et les livres audio.
Payer un générateur de voix devient pénible dès qu’un seul chapitre de livre audio consomme tous vos crédits du mois. C’est le point de départ de la plupart des recherches pour une alternative à ElevenLabs : les voix sont excellentes, mais les limites, les conditions de licence et la tarification au caractère poussent les utilisateurs à chercher ailleurs. Bonne nouvelle, le marché offre désormais de vraies options. Certaines sont gratuites à tester dans le navigateur, d’autres sont open source et tournent sur votre propre machine, et quelques-unes clonent une voix à partir d’un extrait de dix secondes seulement.
Cet article classe ces options selon vos besoins réels. Vous verrez à partir de quel moment les offres gratuites cessent de l’être, quels moteurs open source valent la peine d’être installés, comment fonctionne le clonage vocal en pratique, et un pas-à-pas avec Chatterbox sur PicassoIA. La musique et la transcription arrivent en dernier, car presque tout projet vocal finit par en avoir besoin tôt ou tard.
ElevenLabs a bâti sa réputation. Ses voix transmettent de l’émotion, son rendu multilingue est solide et son éditeur est soigné. Personne de sérieux ne le conteste. Les frictions apparaissent plus tard, une fois le projet lancé et que le compteur tourne.
La tarification repose sur des crédits, et ils fondent vite. L’offre gratuite a historiquement proposé environ 10 000 crédits par mois, soit à peu près dix minutes de parole. Un article de 3 000 mots lu à voix haute dure environ 20 minutes à un rythme normal, donc une narration et quelques reprises suffisent à vider le compte.
💡 Calcul rapide : 150 mots par minute est un rythme de narration confortable. Un script de 3 000 mots représente 20 minutes d’audio, avant même de compter la moindre reprise.
Les limites des offres changent souvent. Considérez donc tout chiffre que vous lisez, y compris celui-ci, comme une photographie du moment, et vérifiez la page tarifaire actuelle avant de décider.
Trois autres reproches reviennent sans cesse :
Ces trois points expliquent pourquoi les alternatives se répartissent en deux camps : les outils en ligne aux limites généreuses, et les modèles open source que vous contrôlez.
Le mot « gratuit » est trompeur sur ce marché. Avant d’y consacrer un après-midi, décidez de la forme de gratuité que vous choisissez.
Une offre gratuite en ligne permet de démarrer vite, sans aucune installation. Vous tapez, lancez la génération et téléchargez. Sur PicassoIA, vous pouvez faire tourner plusieurs modèles vocaux directement dans le navigateur, dont Chatterbox Turbo, Speech 2.8 Turbo et Gemini 3.1 Flash TTS, qui propose 30 voix en plus de 70 langues. Pour des tests de narration, des publicités courtes et des clips pour les réseaux sociaux, cela suffit largement.
Les offres gratuites en ligne conviennent surtout à ces usages :
Un flux de travail raisonnable combine les deux univers. Rédigez et testez les voix sur un outil en ligne, où rien n’est à installer, puis transférez les longs travaux, comme les chapitres de livre audio ou un cours complet, vers un modèle open source, une fois la voix et les réglages choisis. Vous dépensez des crédits pour vos décisions et rien pour le volume.
Chaque voie gratuite implique un compromis. Ce tableau montre ce que vous abandonnez :
| Voie gratuite | Ce que vous abandonnez | Idéal pour |
|---|---|---|
| Offre gratuite en ligne | Plafonds mensuels, files d’attente plus lentes aux heures de pointe | Publicités courtes, tests rapides |
| Open source sur votre machine | Temps d’installation et un GPU performant | Longue narration, audio privé |
| Poids ouverts sous licence non commerciale | Le droit de monétiser le résultat | Projets personnels, recherche |
| Voix système intégrées | Un rendu naturel | Accessibilité, premiers brouillons |
L’open source inverse le modèle de coût. Vous payez en temps d’installation au lieu de crédits, et une fois l’installation fonctionnelle, la millième minute d’audio coûte autant d’électricité que la première.
Deux modèles méritent un premier coup d’œil, car tous deux clonent des voix et peuvent être testés sur PicassoIA sans rien installer.
Chatterbox, de Resemble AI, a été publié sous licence MIT, et ses créateurs le décrivent comme le premier modèle TTS open source doté d’un contrôle d’exagération émotionnelle. Chatterbox clone une voix à partir de quelques secondes d’audio de référence, règle l’expressivité avec un seul curseur et vous permet de figer un seed pour des prises reproductibles. Chaque sortie porte un filigrane inaudible, ce qui permet de retracer l’audio généré. Deux variantes existent pour d’autres besoins : Chatterbox Turbo pour la vitesse et Chatterbox Pro pour les voix off.
Qwen3 TTS, de Qwen, fonctionne selon trois modes. Qwen3 TTS propose neuf voix prédéfinies, le clonage vocal à partir d’un extrait de référence accompagné de sa transcription, et la conception vocale, où vous décrivez une voix en langage courant, par exemple un narrateur masculin calme avec un léger accent français, et le modèle la construit. Il parle 10 langues, dont l’anglais, l’espagnol, le français, l’allemand, le japonais et le coréen, et un champ d’instructions de style vous permet d’ajouter des indications comme « parle lentement » ou « ton enthousiaste ».
Si vous voulez tout faire sur votre propre matériel, ces projets disposent de communautés actives :
💡 Lisez le fichier de licence. « Open » signifie parfois code ouvert avec poids de modèle restreints. Vérifiez le dépôt avant de publier un audio cloné sur une chaîne monétisée.
Le clonage vocal est la fonctionnalité pour laquelle les utilisateurs paient le plus souvent. ElevenLabs la réserve généralement aux offres payantes, ce qui rend cette section utile à quiconque surveille son budget.
Moins que ce que l’on imagine, à condition qu’il soit propre :
MiniMax Voice Cloning fonctionne différemment des autres. Vous importez un échantillon une seule fois, vous recevez un profil vocal réutilisable, puis vous appliquez cette voix à travers des modèles de synthèse comme Speech 2.6 HD, Speech 2.6 Turbo, Speech 02 HD et Speech 02 Turbo. La réduction de bruit facultative et la normalisation du volume rattrapent les enregistrements réalisés hors d’une pièce silencieuse.
Un bon extrait de référence respecte cinq règles simples :
Qwen3 TTS gère le clonage un peu différemment. Passez en mode clonage vocal, importez votre audio de référence, collez ce que dit le locuteur dans Reference Text, puis tapez la nouvelle phrase à prononcer. Se passer de transcription fonctionne, mais la correspondance devient moins fidèle, surtout sur les noms propres et les mots inhabituels. Si vous n’avez aucun échantillon, le mode conception vocale permet de décrire un locuteur, et des instructions de style comme lent et chaleureux ajustent l’interprétation.
Ne clonez que les voix qui vous appartiennent ou pour lesquelles vous avez une autorisation écrite. Conservez cette autorisation au dossier et signalez l’audio synthétique partout où une plateforme le demande. Chatterbox aide sur ce point, car son filigrane intégré permet de retracer les clips générés sans en modifier le son.
Chatterbox est ce qui se rapproche le plus d’une réponse gratuite et open source au clonage vocal expressif. Voici donc un parcours complet sur sa page du modèle.
Choisissez un enregistrement de 10 à 30 secondes de la voix souhaitée, coupez le silence du début et retirez la musique ou les bruits de fond. Importez-le dans le champ Audio Prompt. Si vous laissez ce champ vide, Chatterbox utilise sa voix par défaut, ce qui est pratique pour un premier test de votre script.
Collez votre script dans Prompt, puis ajustez les commandes. Les valeurs par défaut constituent un point de départ sûr :
| Réglage | Valeur par défaut | Ce qu’il fait | Conseil |
|---|---|---|---|
| Exaggeration | 0.5 | Définit le degré d’expressivité du rendu | Essayez 0.3 pour une narration calme et 0.6 à 0.7 pour des lectures dynamiques. Les valeurs extrêmes peuvent paraître instables. |
| CFG Weight | 0.5 | Contrôle le rythme | Baissez-le vers 0.3 si le locuteur de référence parle vite. |
| Temperature | 0.8 | Définit la variation entre les prises | Plus bas pour un résultat prévisible, plus haut pour plus de caractère. |
| Seed | 0 | Fige la prise | Zéro signifie aléatoire. Dès qu’une prise vous convient, notez le seed et réutilisez-le. |
Modifiez un seul réglage à la fois, sinon vous ne saurez jamais quel curseur a corrigé le problème.
Lancez la génération, écoutez au casque et comparez le résultat avec le script. Les longs scripts se comportent mieux lorsque vous les découpez en paragraphes de quelques phrases et que vous les générez un à un. Pour repérer rapidement les mots sautés ou mal prononcés, passez l’audio final dans GPT-4o Transcribe et comparez le texte avec votre original.
💡 Astuce de reprise : conservez le seed, modifiez seulement la valeur d’exaggeration de 0.1, puis générez à nouveau. Vous obtenez la même voix avec une interprétation légèrement différente.
Voici comment se positionnent les principales voies, d’après ce que chaque outil documente sur lui-même :
| Option | Type | Clonage vocal | Modèle de coût | Idéal pour |
|---|---|---|---|---|
| ElevenLabs | En ligne | Offres payantes | Crédits mensuels | Voix off multilingue soignée |
| Chatterbox | Open source, MIT | Oui, à partir de quelques secondes | Gratuit en local | Narration expressive |
| Qwen3 TTS | Poids ouverts | Oui, plus conception vocale | Gratuit en local | Projets multilingues |
| MiniMax Voice Cloning | En ligne | Oui, de 10 secondes à 5 minutes | Service en ligne | Profils vocaux réutilisables |
| Kokoro | Open source | Non | Gratuit en local | Narration rapide hors ligne |
| Piper | Open source | Non | Gratuit en local | Appareils hors ligne |
| XTTS-v2 | Poids ouverts, non commercial | Oui | Gratuit pour un usage personnel | Projets personnels |
Le verdict honnête : ElevenLabs reste la référence en matière de finition et de couverture linguistique, et personne ne doit prétendre le contraire. Ce qui a changé, c’est que l’écart se réduit. Pour les intros de podcast, les vidéos produit, les explications et les voix de personnages, les options ci-dessus sonnent suffisamment bien pour que le critère décisif devienne le coût, la licence et le contrôle plutôt que la qualité brute. Testez votre propre script sur deux ou trois d’entre elles avant de payer quoi que ce soit.
ElevenLabs vend aussi la génération de musique et la transcription, une alternative sérieuse doit donc couvrir ces usages également. Les deux sont disponibles sur PicassoIA.
Une voix off a souvent besoin d’un fond musical. Ces modèles le génèrent à partir d’un prompt textuel :
La transcription boucle le processus. GPT-4o Transcribe accepte les fichiers MP3, MP4, WAV, M4A, OGG et WebM, accepte un code de langue ISO pour une meilleure précision et un court prompt de style. GPT-4o Mini Transcribe est l’option plus légère, et Gemini 3 Pro produit lui aussi des transcriptions fiables.
Les usages concrets comprennent :
Vous n’avez pas besoin d’abonnement mensuel pour obtenir une voix de synthèse convaincante. Choisissez un script court, clonez une voix avec Chatterbox ou MiniMax Voice Cloning, posez une piste de Stable Audio 2.5 en fond, puis vérifiez le résultat avec GPT-4o Transcribe. Ce flux de travail prend quelques minutes, pas un après-midi.
Picasso IA réunit des modèles de voix, de musique et de transcription au même endroit, pour que vous puissiez les comparer sur votre propre script au lieu de vous fier à une fiche technique. Ouvrez la liste complète des modèles, enregistrez un échantillon de dix secondes et écoutez ce que votre voix donne avec un nouveau paragraphe. Expérimentez avec les curseurs, essayez une deuxième voix et gardez la prise qui vous ressemble le plus.
Choisissez votre langue
