Vous avez tapé une phrase en hindi avec un nom de produit en anglais au milieu, lancé la génération, et la plupart des outils de synthèse vocale ont tout déformé. C’est précisément cette frustration qui a donné naissance à Veena. Créé par Maya Research, c’est un modèle de voix neuronal destiné aux locuteurs du hindi et de l’anglais, et les personnes qui recherchent les réglages, l’accès API, les tarifs et les options d’application de Veena voice text to speech veulent généralement une seule chose : une réponse directe sur la façon de l’utiliser vraiment.
Voici la réponse directe. Cet article présente ce qu’est Veena, ce que font les quatre voix intégrées, quels réglages vous pouvez réellement contrôler, comment fonctionne l’accès API, ce que nous avons pu confirmer ou non sur le coût, et où il tourne. Comme Veena n’est pas disponible sur PicassoIA, la seconde partie vous montre les modèles de voix que vous pouvez ouvrir aujourd’hui pour des résultats comparables, avec un guide pas à pas complet.
💡 En bref : Veena est un modèle open-weight que vous pouvez héberger vous-même ou utiliser via des hébergeurs tiers. Il est très bien adapté à la narration en hindi et en anglais, mais sa liste de voix est réduite et il n’intègre pas de clonage vocal. Si vous avez besoin de davantage de langues ou de contrôle dès maintenant, les alternatives ci-dessous sont la voie la plus rapide.
Ce qu’est vraiment Veena
Veena est un modèle de synthèse vocale publié par Maya Research. Selon sa fiche modèle publique, il repose sur une architecture de type Llama d’environ 3 milliards de paramètres, produit l’audio via le codec SNAC à 24 kHz, et est distribué sous la licence Apache 2.0. Les langues indiquées sont le hindi et l’anglais, ce qui le rend particulièrement adapté aux textes mêlant les deux langues, le hinglish que la plupart des gens tapent et parlent réellement.

Les quatre voix intégrées
Le modèle propose quatre voix préréglées, nommées en minuscules dans sa documentation :
| Voix | Description courante | Idéale pour |
|---|
| kavya | Chaleureuse, amicale | Vidéos explicatives, vidéos d’accueil |
| agastya | Plus grave, posée | Narration, livres audio |
| maitri | Neutre, égale | Lignes d’assistance, messages IVR |
| vinaya | Énergique, lumineuse | Publicités, courts clips pour les réseaux sociaux |
Une mise en garde sur ce tableau : les descriptions de personnalité proviennent de fiches tierces et de retours de la communauté, et non d’une fiche technique officielle. Considérez-les comme un point de départ et faites passer votre propre phrase de test dans chaque voix avant de vous engager.
Poids ouverts, pas données ouvertes
Veena est souvent présenté comme « open source », et ce n’est vrai qu’à moitié. Les poids sont sous licence ouverte, vous pouvez donc les télécharger et les exécuter. Les données d’entraînement ne sont pas publiques. Pour un projet commercial, cette distinction compte lorsque votre service juridique vous demande d’où vient la voix.
Les réglages qui comptent vraiment
Veena est un modèle basé sur des tokens, si bien que son panneau de contrôle est plus sobre que celui d’un outil de studio abouti. Il n’y a pas de curseurs pour l’émotion ou la hauteur dans la version de base. Vous contrôlez surtout l’entrée et quelques paramètres de génération.
Choix du locuteur
Vous choisissez l’une des quatre voix par son nom. C’est le levier de qualité le plus important. Une inadéquation, par exemple un narrateur grave lisant une promo enjouée, nuira davantage que n’importe quel autre réglage.
Préparation du texte
Comme le modèle lit ce que vous tapez, la façon d’écrire détermine la façon dont cela sonne :
- Écrivez le hindi en devanagari et l’anglais en alphabet latin, plutôt que de mélanger des translittérations.
- Écrivez en toutes lettres les nombres, dates et montants tels que vous voulez les entendre.
- Utilisez virgules et points pour créer des pauses. Des phrases courtes donnent une prosodie plus nette que des phrases longues et imbriquées.
- Découpez les longs scripts en blocs de quelques phrases, puis assemblez les audios ensuite.
Paramètres d’échantillonnage
Lorsque vous l’hébergez vous-même, vous disposez en général des réglages habituels d’un modèle de langage : la température, le top-p et un nombre maximal de tokens. Une température basse donne un rendu plus stable et plus reproductible. Des valeurs plus élevées ajoutent de la variété, mais augmentent aussi les risques d’accentuation étrange ou de mot avalé. La plupart des utilisateurs adoptent une température modérée et régénèrent toute ligne qui sonne mal.
💡 Astuce : Gardez un « script de référence » de cinq lignes, avec des noms, des nombres et un terme de marque en anglais. Faites-le passer dans chaque voix et après chaque changement de réglage. Cela prend deux minutes et vous évite des heures de reprise.

Ce que vous ne pouvez pas modifier
D’après ce que nous avons constaté, le modèle de base n’offre ni adaptation de locuteur ni fine-tuning prêt à l’emploi, et la liste de voix est figée à quatre. Si vous avez besoin d’une voix de marque personnalisée, il faudra soit entraîner votre propre version, soit choisir un outil qui prend en charge le clonage vocal.
Vitesse et latence annoncées
La fiche modèle annonce une latence inférieure à 80 millisecondes sur un GPU H100 80 Go. D’autres textes de présentation repris ailleurs indiquent environ 120 ms sur un A100 40 Go et environ 200 ms sur un RTX 4090 grand public, mais ces chiffres secondaires sont moins fiables. Considérez-les tous comme des valeurs optimales pour le délai avant la première sortie audio, et non pour la génération d’un paragraphe complet.

| Matériel | Latence annoncée avant le premier son | Fiabilité de la source |
|---|
| H100 80 Go | Moins de 80 ms | Fiche modèle officielle |
| A100 40 Go | Environ 120 ms | README repris |
| RTX 4090 | Environ 200 ms | README repris |
Pour un assistant vocal, ces chiffres sont excellents. Pour la narration par lots d’un long document, le chiffre qui compte est le facteur temps réel, c’est-à-dire le nombre de secondes d’audio obtenues par seconde de calcul. Mesurez-le sur votre propre machine.
Comprendre l’accès API
Il existe trois voies réalistes pour utiliser Veena par le code, qui diffèrent par l’effort, le contrôle et le coût.
Première voie : héberger les poids vous-même
Comme les poids sont publiés sous Apache 2.0, vous pouvez les récupérer depuis le dépôt public de modèles, les charger avec un runtime transformer standard, puis décoder les tokens de sortie avec le codec SNAC. Il existe aussi des versions communautaires quantifiées pour les GPU plus modestes, voire pour les cartes embarquées.
Ce que vous obtenez : un contrôle total, aucun frais par caractère, des données privées.
Ce que vous payez : le temps de GPU, la mise en place et la maintenance.
Deuxième voie : les hébergeurs tiers
Des plateformes comme Replicate et Segmind proposent un modèle appelé VeenaMAX, avec une liste de voix et un point d’accès HTTP simple. Vous envoyez un texte et un nom de locuteur, et vous recevez un fichier en retour. C’est le chemin le plus rapide de l’idée au prototype fonctionnel, car vous évitez toute l’infrastructure.

Troisième voie : l’API propre à Maya Research
Maya Research met désormais en avant un modèle plus récent, Maya 2, via son API officielle, avec des points d’accès aux États-Unis et en Inde, adossés à l’infrastructure Baseten. L’accès nécessite un identifiant que vous demandez à l’entreprise par e-mail. Une version à poids ouverts distincte, Maya 2 Native, est décrite dans la presse comme un modèle de streaming pour les langues indiennes ainsi que l’anglais, sous Apache 2.0, bien que les sources ne s’accordent pas sur le nombre exact de langues. Vérifiez-le avant de bâtir un projet dessus.
💡 Attention aux noms : Veena, VeenaMAX et Maya 2 sont trois choses différentes. Vérifiez quel modèle un point d’accès sert réellement avant de comparer la qualité ou le prix.
Une requête type
La plupart des points d’accès hébergés suivent le même schéma, ce qui permet de garder le code de votre projet simple :
- Envoyez une requête POST avec votre texte, le nom du locuteur et les valeurs d’échantillonnage éventuelles.
- Attendez la réponse, qui renvoie soit une URL de fichier, soit des octets audio bruts.
- Enregistrez ou diffusez le résultat vers votre lecteur.
- Ajoutez une logique de nouvelle tentative pour les délais d’attente, car les services adossés à un GPU peuvent se mettre en file d’attente en cas de charge.
Le coût réel de Veena
C’est ici que la plupart des articles devinent. Nous, non. Nous n’avons pas pu confirmer de tarif publié par caractère ou par minute pour Veena lui-même. Ce que nous pouvons dire, c’est comment fonctionne la structure de coûts pour chaque voie.
| Voie | Structure de coût | Points à vérifier |
|---|
| Poids hébergés soi-même | Location de GPU ou matériel, plus temps d’ingénierie | Prix horaire du GPU, taux d’utilisation |
| Replicate, Segmind | Généralement facturé par exécution ou par seconde de calcul | Le prix actuel sur la page du modèle |
| API Maya Research | Basé sur un compte, accès sur demande | Un devis ou une page tarifaire de l’entreprise |

Comment estimer votre propre chiffre
La parole anglaise se prononce à environ 150 mots par minute : un script de 1 500 mots représente donc environ dix minutes d’audio. Prenez le prix par exécution de votre hébergeur, multipliez-le par le nombre de blocs générés, et ajoutez une marge de 20 % pour les lignes régénérées. Cette marge n’a rien de pessimiste. Chaque projet compte des lignes qui demandent une seconde passe.
Quand l’auto-hébergement est gagnant
Si vous générez plusieurs heures d’audio par mois, louer un GPU et faire tourner les poids ouverts coûte généralement moins cher que payer à l’appel. Si vous générez quelques minutes par semaine, un point d’accès hébergé revient moins cher une fois votre propre temps pris en compte.
Options d’application pour Veena
La plupart des personnes qui cherchent une « application » veulent un endroit où coller un texte et cliquer sur un bouton. Pour Veena en particulier, l’offre est plus limitée que pour les outils vocaux grand public.
- Pages de démonstration hébergées sur des plateformes de modèles, où vous tapez un texte, choisissez un locuteur et téléchargez l’audio.
- Versions communautaires qui encapsulent les poids dans une interface locale, utiles si vous êtes à l’aise avec un environnement Python.
- Portages en périphérie qui compilent le modèle pour de petits appareils, destinés aux développeurs plus qu’aux créateurs.
- Frameworks d’agents vocaux qui proposent le service plus récent de Maya comme extension, pratiques pour les assistants en temps réel.

Nous n’avons pas pu confirmer d’application mobile grand public, soignée et largement connue, dédiée à Veena. Si votre objectif est une expérience en un clic, un outil en ligne proposant davantage de voix vous paraîtra plus agréable.
Les cas où Veena convient le mieux
Veena se distingue dans quelques situations précises :
- La narration en hindi et en anglais, lorsque le mélange des deux langues est fréquent.
- Les assistants à faible latence qui ont besoin d’un premier son rapide.
- Les projets sensibles à la confidentialité, où le texte ne doit pas quitter vos serveurs.
- Les expérimentations où un modèle sous licence Apache est une exigence.

Ses limites
- Seules deux langues sont indiquées.
- Quatre voix signifient que votre projet sonnera comme les mêmes quatre personnes que tous les autres.
- Aucun contrôle intégré de l’émotion, de la hauteur ou de la vitesse dans la version de base.
- Pas de clonage sans travail supplémentaire.
Alternatives utilisables dès aujourd’hui
Veena n’est pas encore disponible sur PicassoIA. Pour des résultats comparables aujourd’hui, ces modèles de voix sont en ligne et liés ci-dessous, et chacun comble un manque différent dans la liste des fonctionnalités de Veena :
| Modèle | Pourquoi le choisir | Lien |
|---|
| Speech 2.8 HD | Narration de qualité studio, dix styles d’émotion, renforcement de la langue hindi, sortie en WAV et FLAC | Speech 2.8 HD |
| Qwen3 TTS | Cloner une voix ou en concevoir une nouvelle à partir d’une description | Qwen3 TTS |
| ElevenLabs v2 Multilingual | Voix off en plus de 30 langues | v2 Multilingual |
| Realtime TTS 2 | Voix off rapides et naturelles, pilotées en langage naturel, pour un usage interactif | Realtime TTS 2 |
Si vous voulez une option plus légère et plus rapide pour des brouillons, Realtime TTS 1.5 Mini vise une latence très faible, et Chatterbox ajoute le contrôle de l’émotion avec le clonage vocal.

Choisir selon la tâche
- Hindi et anglais avec émotion : Speech 2.8 HD.
- Une voix personnalisée pour une marque : Qwen3 TTS ou Chatterbox.
- Beaucoup de langues dans un même projet : v2 Multilingual.
- Assistants en direct : Realtime TTS 2.
Obtenir des résultats comparables sur PicassoIA
L’outil le plus proche des points forts de Veena en hindi et en anglais, avec bien plus de contrôle, est Speech 2.8 HD. Voici un flux de travail concret.
Étape par étape
- Ouvrez la page de Speech 2.8 HD.
- Collez votre script dans le champ text. Il accepte jusqu’à 10 000 caractères, ce qui suffit pour la lecture d’un article complet.
- Réglez language boost sur Hindi pour les textes en hindi, ou sur Automatic si votre texte mêle les deux langues.
- Choisissez une voice. La valeur par défaut est Wise_Woman, et les autres voix système figurent dans la liste déroulante.
- Sélectionnez une emotion. Laissez sur auto pour un premier jet, puis essayez calm pour la narration ou happy pour les promos.
- Ajustez la speed entre 0,5 et 2,0. Une valeur proche de 0,95 sonne souvent plus naturelle pour les explications.
- Choisissez le format audio. Utilisez MP3 pour un partage rapide, et WAV ou FLAC si vous comptez éditer le fichier.
- Générez, écoutez, et régénérez toute ligne qui ne convient pas.

Réglages utiles pour gagner du temps
| Réglage | Point de départ suggéré | Pourquoi |
|---|
| Vitesse | 0,95 à 1,0 | Une lecture légèrement plus lente paraît plus humaine |
| Hauteur | 0 | Ne décalez que de 1 ou 2 demi-tons si la voix paraît fausse |
| Volume | 1 | Normalisez plutôt le volume dans votre logiciel de montage |
| Taux d’échantillonnage | 32000 | Un bon équilibre entre taille et fidélité |
| Débit binaire | 128000, ou 256000 pour un MP3 final | Plus élevé uniquement pour les fichiers finaux |
| Normalisation de l’anglais | Activée pour les nombres et les dates | Ajoute un peu de latence |
Vous pouvez aussi insérer des pauses avec des marqueurs tels que <#0.5#>, qui ajoute une demi-seconde de silence. C’est l’équivalent le plus proche du placement soigneux des virgules que vous feriez avec Veena, en plus précis.
💡 Idée de flux de travail : Rédigez un brouillon avec un modèle rapide, validez le script, puis générez la prise finale avec Speech 2.8 HD en WAV. Si vous avez besoin de sous-titres, activez l’option subtitle pour récupérer les horodatages des phrases.
Erreurs courantes avec n’importe quel modèle de voix
- Sauter le test. Lancez toujours un script court avant un long.
- Écrire pour l’œil, pas pour l’oreille. Lisez d’abord votre script à voix haute.
- Négliger les nombres. Écrivez en toutes lettres les numéros de téléphone, les prix et les sigles.
- Utiliser une seule longue prise. Des blocs plus courts donnent une meilleure prosodie et des corrections plus faciles.
- Oublier la mention. Si vous publiez une voix de synthèse, indiquez-le là où votre plateforme ou la réglementation locale l’exige.
Essayez votre propre voix off dès aujourd’hui
Veena est un choix judicieux si vous disposez d’un GPU, d’un développeur et d’un projet en hindi et en anglais qui doit rester en interne. Pour tous les autres, la voie la plus rapide est un outil en ligne proposant davantage de voix et de vrais contrôles. Ouvrez Speech 2.8 HD, collez un court script, et comparez le résultat avec ce que vous entendez de Veena. Essayez ensuite Qwen3 TTS pour une voix personnalisée, et associez votre audio à des images et vidéos créées sur la même plateforme.
Prêt à essayer ? Parcourez tous les modèles de voix, d’images et de vidéos sur picassoia.com/en/all-models et construisez votre prochain projet, de la narration aux visuels, au même endroit.