Outils
Chatterbox (Resemble AI), Python
Prix
Gratuit (licence MIT)
Temps
30 min la 1re fois
Niveau
Terminal, intermédiaire

Vous avez tourné une vidéo de présentation de votre offre. Une semaine plus tard, le prix change, et il faut tout réenregistrer pour une seule phrase : retrouver le micro, le silence, le même ton. Avec un modèle de synthèse vocale qui clone votre voix, vous tapez la nouvelle phrase et l'IA la dit avec votre timbre. Ce tuto utilise Chatterbox, de Resemble AI : le code et les poids du modèle sont publiés sous licence MIT, et la version multilingue gère le français.

Consentement d'abord. Ne clonez que votre propre voix. Cloner la voix d'un client, d'un collègue ou d'une personnalité sans son accord écrit expose à des poursuites (la voix est une donnée personnelle et un attribut de la personnalité) et peut servir à des arnaques. Le règlement européen sur l'IA (article 50) demande aussi de signaler un contenu audio généré qui imite de façon réaliste une personne réelle : indiquez « voix générée par IA » sous vos publications. La licence MIT autorise l'usage commercial du modèle, pas celui de la voix d'autrui.

Pour qui, pour quoi

Pour un indépendant ou une petite équipe qui publie des vidéos courtes, des tutoriels ou des démonstrations produit : corriger une phrase, décliner une vidéo, produire une version plus courte. Ce n'est pas fait pour remplacer une vraie séance d'enregistrement d'un texte important : le rendu reste à écouter avant chaque publication.

Installer Chatterbox

  1. Créer un environnement Python isoléLe projet a été développé et testé avec Python 3.11. Un environnement isolé évite de mélanger ses dépendances avec le reste de votre Mac.
    Terminal
    brew install python@3.11 ffmpeg
python3.11 -m venv ~/chatterbox
source ~/chatterbox/bin/activate
  2. Installer le paquetLe modèle se télécharge depuis Hugging Face au premier lancement, prévoyez quelques minutes.
    Terminal
    pip install chatterbox-tts
  3. Enregistrer votre voix de référenceUne dizaine de secondes, au calme, avec le ton de vos vidéos (QuickTime suffit). Parlez en français : d'après le projet, une référence dans une autre langue que le texte donne un accent. Convertissez ensuite en WAV.
    Terminal
    ffmpeg -i ma-voix.m4a ma-voix.wav

Générer une voix off

Enregistrez ce script sous voixoff.py, dans le même dossier que ma-voix.wav. language_id="fr" force le français ; "mps" utilise la puce des Mac récents.

voixoff.py
import torch
import torchaudio as ta
from chatterbox.mtl_tts import ChatterboxMultilingualTTS

device = "mps" if torch.backends.mps.is_available() else "cpu"
model = ChatterboxMultilingualTTS.from_pretrained(device=device, t3_model="v3")

texte = "Bonjour, je suis Antonin. Aujourd'hui, je vous montre comment automatiser vos relances de devis."
wav = model.generate(texte, language_id="fr", audio_prompt_path="ma-voix.wav")
ta.save("voix-off.wav", wav, model.sr)
Terminal
python voixoff.py

Si le chargement échoue sur Mac, le dépôt contient un fichier example_for_mac.py qui montre le correctif, ou passez device à "cpu" : plus lent, mais fiable.

L'exemple complet : Claude écrit, Chatterbox lit

Un texte écrit pour être lu ne ressemble pas à un texte écrit pour être vu. Je fais d'abord réécrire le texte par Claude, puis je le colle dans voixoff.py :

Prompt à copier
Réécris ce texte pour qu'il soit lu à voix haute en 40 secondes environ, en français. Phrases courtes, une idée par phrase. Écris les nombres, les prix et les sigles en toutes lettres, comme ils se prononcent. Pas de parenthèses, pas de listes. Garde mon vouvoiement et mon ton direct. Voici le texte : [collez votre texte]

Les réglages utiles

  • Réglages par défaut : exaggeration=0.5 et cfg_weight=0.5 conviennent à la plupart des textes, selon le projet.
  • Débit trop rapide : baissez cfg_weight vers 0.3.
  • Ton plus expressif : montez exaggeration vers 0.7 en gardant cfg_weight bas. On les ajoute dans model.generate(…).
  • Texte long : générez paragraphe par paragraphe, puis assemblez ; une erreur se corrige sans tout refaire.

Limites

  • Un tatouage invisible : chaque fichier généré contient un filigrane audio de Resemble AI, conçu pour rester détectable après compression. C'est une bonne chose pour la transparence.
  • Des erreurs possibles : noms propres, mots anglais, chiffres mal lus. Écoutez tout avant de publier.
  • La vitesse : elle dépend de votre machine. Faites un essai sur une phrase avant de lancer un long texte.
  • Vos fichiers restent chez vous : la génération se fait en local, seul le modèle est téléchargé.

Sécurité. L'installation télécharge du code et un modèle depuis Internet : passez uniquement par le dépôt officiel resemble-ai/chatterbox et le paquet chatterbox-tts. Gardez votre fichier ma-voix.wav hors des dossiers partagés : c'est la clé de votre voix.

Sources

Vous voulez produire vos contenus vidéo plus vite, avec une chaîne qui va du texte à la vidéo ? C'est le genre d'automatisation que je mets en place.