URL: https://linuxfr.org/users/mrlem/journaux/lecture-de-texte-avec-coqui-tts Title: Lecture de texte avec Coqui TTS Authors: mrlem Date: 2025年12月15日T17:49:29+01:00 License: CC By-SA Tags: tts, intelligence_artificielle et pdf Score: 20 Cher Nal, Je prends bien rarement ma plume, mais j'ai fait une petite expérimentation qui pourrait t'intéresser. # Le besoin J'aimerais pouvoir écouter des documents que je possède à l'écrit, quand je suis dans les transports. Jusque là rien de bien compliqué, c'est du **TTS** (text-to-speech), mais j'aimerais surtout : * obtenir une lecture de **bonne qualité** : fluide, naturelle, avec un minimum d'intonations * que ce soit **opensource** * **local** : ne pas avoir besoin d'aller téléverser un document dans le cloud * pouvoir directement passer un fichier **PDF** Par contre, je n'ai pas besoin : * que ce soit en temps réel (i.e. je peux préparer à l'avance) # La quête J'ai commencé par regarder les solutions classiques **espeak-ng**, **festival**, puisqu'ils sont pas mal utilisé : le niveau de qualité n'était pas celui que je recherchais (même si on peut améliorer un peu les choses avec de la configuration). J'ai donc recherché des options côté **IA générative**, et il y en a... mais surtout dans le cloud. Et puis je suis tombé sur [CoquiTTS](https://github.com/coqui-ai/TTS) : un **TTS opensource** créé par Coqui AI, une boite hélas [fermée depuis 2024](https://www.linkedin.com/pulse/coqui-shutting-down-josh-meyer-fpsve/), fondée par d'anciens de Mozilla. ## L'installation Je regarde la doc, ça semble relativement simple, avec 2 options : * `pip` et de l'install manuelle * utiliser une image docker pré-construite J'aime bien l'idée de pouvoir partir d'un truc propre facilement transposable sur d'autres machines, je choisis donc l'option **docker** (c'est aussi l'occasion de découvrir docker, que je n'ai jamais vraiment utilisé). Après une brève lecture de la [doc des images docker](https://docs.coqui.ai/en/latest/docker_images.html), je choisis l'image docker pour un traitement sur CPU (il y en a un autre pour GPU NVidia, mais mon hardware n'en a pas). 10 Go de téléchargement plus tard, me voici avec la bête. ## Utilisation de base Après lecture de la doc je parviens à générer un premier [fichier audio]([fichier audio](https://github.com/mrlem/easy-tts/raw/refs/heads/main/samples/hello_world.wav)): ```bash docker run -it --rm \ -v "$(pwd):/output" \ ghcr.io/coqui-ai/tts-cpu \ --text "Hello world" \ --out_path "/output/plop.wav" ``` **Explication** (désolé si vous connaissez déjà docker, mais moi je ne connaissais pas, alors je détaille pour celles ou ceux qui seraient dans mon cas) : * `docker run` : lance une image docker * `-it` : mode interactif pour docker * `--rm` : repart de l'image à chaque fois (ne garde pas les modifications) * `-v "/local/path:/image/path"` : permet de créer un volume, un truc qui mappe un chemin dans l'image sur un chemin en local * `ghcr.io/coqui-ai/tts-cpu` : le nom de l'image docker à lancer * `--text "Blabla"` : le texte à lire * `--out_path "/image/path"`: le fichier WAV à produire **Résultat** : * qualité pas encore terrible, mais je sais qu'il y a d'autres modèles potentiellement meilleurs d'après la doc * ça marche uniquement pour de l'anglais : le rendu en français est incompréhensible, le modèle par défaut n'est pas entrainé pour * à chaque fois qu'on lance la commande avec une phrase, on se retape les 104 Mo de chargement du (petit) modèle par défaut ## Améliorations ### Éviter de re-télécharger le modèle à chaque fois Pour ça, on va stocker les modèles hors de l'image. ```bash docker run -it --rm \ -v tts_models:/root/.local/share/tts \ -v "$(pwd):/output" \ ghcr.io/coqui-ai/tts-cpu \ --text "Hello world" \ --out_path "/output/plop.wav" ``` * `-v tts_models:/root/.local/share/tts` : crée un volume pour stocker les modèles hors de l'image **Résultat**: * plus besoin de re-télécharger le modèle 😊 ### Utilisation d'un modèle plus qualitatif : Celui par défaut est d'une taille "raisonnable", mais mono-lingue et mono-locuteur. Je me tourne donc vers celui mis en avant sur le github : **XTTSv2**. Il est multi-lingue, multi-locuteur, et permet même de faire du voice-cloning (ce n'est pas dans mes besoins de base, mais je trouve l'idée cool). ```bash docker run -it --rm \ -v tts_models:/root/.local/share/tts \ -v "$(pwd):/output" \ ghcr.io/coqui-ai/tts-cpu \ --text "Salut le monde." \ --model_name tts_models/multilingual/multi-dataset/xtts_v2 \ --language_idx "fr" \ --speaker_idx "Filip Traverse" \ --out_path "/output/plop.wav" ``` * `--model_name tts_models/multilingual/multi-dataset/xtts_v2` : le modèle XTTSv2 * `--language_idx "fr"` : on indique la langue (le français ici, mais il y a pas mal d'autres langues supportées) * `--speaker_idx "Filip Traverse"` : on indique le locuteur (il y a pas mal de locuteurs inclus. L'autre alternative est d'utiliser l'argument `--speaker_wav` pour passer une voix à cloner) **Résultat**: [fichier audio](https://github.com/mrlem/easy-tts/raw/refs/heads/main/samples/salut_le_monde.wav) et [un autre](https://github.com/mrlem/easy-tts/raw/refs/heads/main/samples/sanglots.wav) un peu plus long. * la qualité est enfin au rendez-vous ! * on peut enfin avoir du français * ça prend beaucoup de temps à télécharger (plus de 5 Go à télécharger la première fois, heureusement qu'on stocke le modèle) et à traiter ### Accepter un PDF en entrée J'ai utilisé **pdftotext**: ```bash pdftotext -nopgbrk -layout "$pdf_file" - ``` À noter qu'en plus j'ai utilisé quelques filtres pour améliorer le texte d'entrée (ce qui améliore la diction), on pourrait sûrement aller plus loin : * remplacer les retours de chariots par des espaces (sauf quand il y a une ligne blanche) * dédoublonner les lignes blanches * dédoublonner les espaces Je ne détaille pas, parceque là c'est particulièrement lié au type de documents qui m'intéresse. ### Produire directement un MP3 J'ai utilisé **ffmpeg**: ```bash ffmpeg -y -hide_banner -nostats -loglevel warning -i "$wav_file" -vn -ar 44100 -ac 2 -b:a 192k "$mp3_file" ``` # Le résultat Je me suis créé des wrappers pour faire tout ça facilement : https://github.com/mrlem/easy-tts Si vous voulez l'utiliser, vous en servir comme base, ou bien juste farfouiner, n'hésitez pas. Disclaimer : je ne suis pas expert en bash, ni en IA générative, du coup il y a sûrement des choses perfectibles, faisables différemment. Je suis donc ouvert aux remarques et suggestions. # Bilan Très chouette ! Plus précisément : **Dans les +** : * j'ai appris plein de choses * mon besoin est plutôt bien rempli, je peux avoir des fichiers audio vraiment très bons * la qualité est vraiment chouette, c'est vraiment un outil très chouette que Coqui AI a créé (il peut faire bien plus que ce pour quoi je l'ai utilisé) **Dans les -** : * Coqui AI qui n'a pas tenu : je trouve ça très dommage pour eux, même s'ils laissent un outil que je trouve génial en opensource * le modèle XTTSv2 a une licence particulière, en bref c'est totalement gratuit pour un usage qui ne génère pas de revenu (c'est mon cas, donc ça me va) * c'est gourmand en ressources, et pas super rapide (3-5 minutes pour lire une lettre d'une page, pas très longue, sur mon laptop), mais pour moi c'est acceptable * suivant les PDFs, il peut y avoir pas mal de caractères parasites (ça dépend de la conversion en texte) * c'est inhérent à l'IA générative, mais le résultat varie d'un lancement à l'autre, et il y a parfois des hallucinations (sous forme d'ajouts compréhensibles ou non à la fin de l'audio) * des difficultés pour ce qui est des sigles / acronymes qu'il essaie de prononcer (genre dans "linuxFR", ou bien "GNU/Linux") * j'ai dû pas mal tâtonner pour obtenir ce que je voulais (le journal représente la version épurée du parcours 😉)

AltStyle によって変換されたページ (->オリジナル) /