Synthèse vocale multilingue : Inworld et Alibaba Cloud accélèrent la génération en temps réel

Deux acteurs majeurs de l’intelligence artificielle vocale, Inworld et Alibaba Cloud, ont récemment dévoilé des innovations significatives dans le domaine de la synthèse vocale multilingue. Inworld a lancé le 18 décembre 2025 TTS-1.5, une nouvelle génération de modèles text-to-speech (TTS) conçus pour des applications en temps réel, tandis qu’Alibaba Cloud a publié en open source Qwen3-TTS, une famille de modèles couvrant clonage vocal, design de voix et génération de parole de haute qualité. Ces solutions visent à répondre aux besoins croissants des développeurs et entreprises en matière de voix naturelle, expressive et à faible latence.

Quand la latence devient un critère de choix pour la voix artificielle

Inworld propose deux variantes de TTS-1.5 : Max et Mini. La première cible la majorité des cas d’usage en production avec une latence P90 inférieure à 250 ms, tandis que Mini s’adresse aux scénarios ultra sensibles, atteignant 160 ms P90. Ces performances sont obtenues grâce à un codec audio natif streaming, un entraînement conscient de la quantification et un apprentissage par renforcement à grande échelle, réduisant erreurs et artefacts. La prise en charge de 16 langues et la possibilité de déploiement on-premise renforcent l’adaptabilité de la solution, qui est accessible gratuitement jusqu’à fin 2025 avant une tarification à l’usage.

Qwen3-TTS : une suite open source qui parle dix langues et crée des voix sur mesure

La famille Qwen3-TTS d’Alibaba Cloud se distingue par sa polyvalence. Elle intègre cinq modèles dédiés au clonage vocal, à la génération classique, au design vocal par instructions en langage naturel, et un codec discret à 12,5 images par seconde. Supportant dix langues, elle propose neuf timbres prédéfinis et un modèle capable de créer des voix inédites à partir de descriptions textuelles, comme « voix adolescente nerveuse avec intonation montante ». L’architecture dual-track permet un décodage en streaming avec une latence de premier paquet sous 120 ms, même en conditions de charge.

Alignement, qualité et benchmarks : la course à la naturalité

Les deux solutions misent sur des techniques avancées d’alignement et d’optimisation. Inworld privilégie la naturalité et l’expressivité validées par des classements utilisateurs indépendants, tandis qu’Alibaba Cloud applique une pipeline d’optimisation en plusieurs étapes, incluant Direct Preference Optimization et fine tuning des locuteurs. Qwen3-TTS affiche des taux d’erreur sur mots (WER) parmi les plus bas sur plusieurs langues, avec une similitude vocale élevée, surpassant plusieurs concurrents commerciaux et open source. Ces résultats confirment la montée en gamme des technologies TTS, qui s’adaptent à des usages variés allant des assistants vocaux à la traduction en direct.