Les 10 meilleurs modèles audio IA open source en 2026

Les modèles audio open source couvrent désormais la reconnaissance vocale, la synthèse vocale, les conversations voix en temps réel et la génération musicale, et plusieurs fonctionnent sur un seul GPU grand public. Qwen3-ASR transcrit 30 langues et 22 dialectes chinois, Kokoro génère de la parole avec seulement 82 millions de paramètres, et ACE-Step écrit des chansons complètes avec moins de 4 Go de mémoire vidéo (VRAM).

Pour ce guide, j’ai sélectionné 10 des meilleurs modèles audio IA open source et open-weight en combinant 3 critères : des dépôts GitHub très étoilés, des modèles très téléchargés sur Hugging Face, et les modèles les mieux classés dans les benchmarks d’Artificial Analysis. J’ai couvert 4 catégories : reconnaissance vocale, synthèse vocale, conversations en temps réel et génération musicale.

Chaque modèle inclut un exemple de démarrage rapide basé sur sa documentation officielle. Certains exemples nécessitent un matériel spécifique, des dépendances ou une configuration complémentaire : vérifiez donc les prérequis de chaque modèle avant de les exécuter.

À noter : il s’agit d’une liste curatée, pas d’un classement de benchmark strict. Open-weight signifie que les poids entraînés sont téléchargeables, mais la licence peut tout de même restreindre les usages : je signale donc les licences dans chaque section et dans le tableau comparatif en fin d’article. Les exemples proviennent de la documentation officielle, mais je n’ai pas testé personnellement le code : votre environnement pourra nécessiter des dépendances ou réglages supplémentaires.

En bref

• Reconnaissance vocale : Qwen3-ASR pour la précision multilingue, Nemotron 3.5 ASR Streaming pour la transcription en direct à faible latence, et Voxtral Small si vous voulez aussi des résumés et des réponses sur l’audio.
• Synthèse vocale : Kokoro 82M pour un usage local léger, Fish Audio Drama 3 pour des dialogues expressifs multi‑locuteurs, et Breeze TTS 2 pour le design de voix (usage non commercial uniquement).
• Conversations en temps réel : NVIDIA PersonaPlex pour des agents vocaux audio‑only, et MiniCPM-o 4.5 si vous voulez aussi une entrée vidéo.
• Génération musicale : ACE-Step 1.5 pour des chansons complètes avec voix, et MusicGen Large pour des instrumentaux (usage non commercial uniquement).

Meilleurs modèles open source de reconnaissance vocale

Les modèles de reconnaissance vocale, aussi appelés ASR (automatic speech recognition), convertissent la parole en texte. Ils sont utiles pour la transcription de réunions, les sous-titres, les podcasts, les assistants vocaux et l’analyse audio. Les modèles récents reconnaissent plusieurs langues, traitent des conversations en direct, et certains peuvent raisonner sur le contenu discuté.

1. Voxtral Small

Voxtral Small 24B est un modèle open-weight de compréhension de la parole de Mistral AI, publié sous licence Apache 2.0. Il prend en charge 8 langues (anglais, espagnol, français, portugais, hindi, allemand, néerlandais et italien) et peut transcrire des enregistrements, résumer des conversations, répondre à des questions sur l’audio et suivre des instructions orales.

Source : Voxtral Small 24B

Son principal atout : un seul modèle gère la reconnaissance vocale et le raisonnement en langue, évitant d’empiler une chaîne séparation transcription + résumé. Idéal pour l’analyse de réunions, les interviews et les assistants vocaux. La contrepartie, c’est la taille : avec 24 milliards de paramètres, il faut environ 55 Go de mémoire GPU en BF16 ou FP16, donc un GPU à grande mémoire ou plusieurs GPUs.

Si vous ne cherchez que la transcription, le Voxtral Mini 4B Realtime plus récent de Mistral est beaucoup plus léger. Mistral l’a publié en février 2026 sous Apache 2.0, avec une latence en streaming configurable sous 200 ms.

Démarrage rapide : installez vLLM et les packages Python requis.

pip install -U "vllm[audio]" "mistral-common[audio]" openai huggingface_hubPropulsé par

Démarrez le serveur vLLM. Cette configuration utilise deux GPUs.

vllm serve mistralai/Voxtral-Small-24B-2507 \
  --tokenizer_mode mistral \
  --config_format mistral \
  --load_format mistral \
  --tensor-parallel-size 2 \
  --tool-call-parser mistral \
  --enable-auto-tool-choicePropulsé par

Ouvrez un autre terminal et exécutez l’exemple Python pour transcrire un enregistrement audio d’exemple.

from mistral_common.protocol.transcription.request import TranscriptionRequest
from mistral_common.protocol.instruct.messages import RawAudio
from mistral_common.audio import Audio
from huggingface_hub import hf_hub_download
from openai import OpenAI

client = OpenAI(
    api_key="EMPTY",
    base_url="http://localhost:8000/v1",
)

model = client.models.list().data[0].id

audio_file = hf_hub_download(
    "patrickvonplaten/audio_samples",
    "obama.mp3",
    repo_type="dataset",
)

audio = RawAudio.from_audio(
    Audio.from_file(audio_file, strict=False)
)

req = TranscriptionRequest(
    model=model,
    audio=audio,
    language="en",
    temperature=0.0,
).to_openai(exclude=("top_p", "seed"))

response = client.audio.transcriptions.create(**req)
print(response.text)Propulsé par

Le script télécharge un enregistrement d’exemple, l’envoie à votre serveur Voxtral local et affiche la transcription.

2. Qwen3-ASR

Qwen3-ASR est une famille de modèles de reconnaissance vocale open source de l’équipe Qwen d’Alibaba, disponible en versions 0,6B et 1,7B paramètres sous licence Apache 2.0. Il prend en charge 30 langues et 22 dialectes chinois, détecte automatiquement la langue parlée et peut transcrire la parole sur fond musical, y compris le chant. Il fonctionne bien pour la transcription multilingue, les sous-titres, les podcasts et les interviews.

Source : Qwen3-ASR

Qwen3-ASR trouve un bon équilibre entre précision, vitesse et flexibilité. Le modèle 1,7B affiche un taux d’erreur moyen (WER) de 5,76 sur le Open ASR Leaderboard de Hugging Face, contre 6,62 pour Voxtral Small (plus bas est mieux). La version 0,6B échange un peu de précision contre de l’efficacité.

Les deux tailles prennent en charge l’inférence hors ligne et en streaming, bien que le streaming nécessite actuellement le backend vLLM (pip install -U qwen-asr[vllm]). Le modèle optionnel Qwen3-ForcedAligner-0.6B génère des timecodes au mot pour les sous-titres dans 11 langues prises en charge.

Démarrage rapide : installez le package Python officiel.

pip install -U qwen-asrPropulsé par

Chargez le modèle 1,7B et transcrivez l’audio d’exemple officiel.

import torch
from qwen_asr import Qwen3ASRModel

model = Qwen3ASRModel.from_pretrained(
    "Qwen/Qwen3-ASR-1.7B",
    dtype=torch.bfloat16,
    device_map="cuda:0",
)

results = model.transcribe(
    audio="https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen3-ASR-Repo/asr_en.wav",
    language=None,
)

print(results[0].language)
print(results[0].text)Propulsé par

Le modèle est téléchargé automatiquement au premier usage. Il détecte la langue parlée et affiche la transcription.

Vous pouvez remplacer l’URL d’exemple par votre propre fichier audio. Cet exemple utilise un GPU NVIDIA.

3. NVIDIA Nemotron 3.5 ASR Streaming

NVIDIA Nemotron 3.5 ASR Streaming 0.6B est un modèle léger de reconnaissance vocale conçu pour la transcription en temps réel. Il compte 600 millions de paramètres et prend en charge 40 locales linguistiques, dont l’anglais, l’arabe, l’hindi, l’espagnol et le japonais. Parmi elles, 32 fonctionnent immédiatement et 8 nécessitent un affinement préalable.

Source : NVIDIA Nemotron 3.5 ASR Streaming 0.6B

Sa vitesse provient d’une architecture de streaming sensible au cache. Au lieu de retraiter tout l’enregistrement, il traite de nouveaux segments audio tout en réutilisant le contexte encodé mis en cache, avec des tailles de trames aussi petites que 80 millisecondes. Sur un seul H100, NVIDIA annonce environ 17 fois plus de flux simultanés que son modèle Parakeet RNNT 1,1B en mode tamponné au réglage 80 ms (240 contre 14).

Un excellent choix pour les sous-titres en direct, les réunions et les assistants vocaux à faible latence. Les poids utilisent la licence OpenMDW-1.1, que la carte du modèle décrit comme prête pour un usage commercial, et le modèle s’exécute localement via le runtime NeMo-Speech.cpp de NVIDIA.

Démarrage rapide : installez NeMo-Speech.cpp sous Linux ou macOS.

curl -fsSL https://github.com/NVIDIA/NeMo-Speech.cpp/raw/main/scripts/install.sh | shPropulsé par

Transcrivez un fichier WAV. La CLI télécharge le modèle Nemotron 3.5 par défaut au premier lancement.

nemo-speech transcribe audio.wavPropulsé par

Pour tester la transcription en streaming, qui alimente le fichier dans le reconnaisseur en paquets de 160 ms, exécutez :

nemo-speech transcribe audio.wav --streamPropulsé par

Pour la transcription en direct via microphone sur les builds compatibles :

nemo-speech transcribe --livePropulsé par

Remplacez audio.wav par votre propre enregistrement. Le runtime prend en charge le CPU et des backends GPU compatibles, vous n’avez donc pas besoin d’un gros GPU pour débuter.

Meilleurs modèles open source de synthèse vocale

Les modèles de synthèse vocale (TTS) transforment du texte en audio naturel. Les modèles récents savent cloner des voix, exprimer des émotions, générer des dialogues multi‑locuteurs et parler plusieurs langues. Voici 3 modèles open-weight à explorer.

4. Fish Audio Drama 3

Fish Audio Drama 3 est un modèle TTS expressif, conçu pour des scènes multi‑personnages et des contenus longs. Il utilise une architecture mixture-of-experts de 35 milliards de paramètres, mais n’en active qu’environ 3 milliards par token. Il prend en charge le clonage de voix, le contrôle en langage naturel, et des dialogues jusqu’à 16 locuteurs, idéal pour des livres audio et des contenus centrés personnages.

Source : Fish Audio Drama 3 Technical Report

Ce qui ressort, c’est l’amplitude émotionnelle. Vous pouvez insérer des balises inline comme [sighs] et [laughs] directement dans le texte, attribuer jusqu’à 16 étiquettes de locuteurs dans un même script, et diffuser des passages longs par segments. Fish Audio annonce un temps jusqu’au premier audio d’environ 89 ms pour un flux unique sur un GPU H200, et le modèle fonctionne via SGLang-Omni et vLLM-Omni.

La contrepartie concerne la taille et la licence. Le checkpoint FP8 requiert 37 Go rien que pour les poids, et une version GPTQ 4 bits réduit cela à 20,8 Go. Les poids utilisent la Fish Audio Community License : lisez bien ses conditions avant tout usage commercial.

Démarrage rapide : installez SGLang-Omni et ses dépendances Fish Audio sur un Linux compatible avec un GPU NVIDIA.

pip install -U uv huggingface_hub
git clone https://github.com/sgl-project/sglang-omni.git
cd sglang-omni
uv venv
source .venv/bin/activate
uv pip install --prerelease=allow -v -e ".[fishaudio]"Propulsé par

Téléchargez le modèle et lancez le serveur :

hf download fishaudio/drama-3

sgl-omni serve --model-path fishaudio/drama-3 --port 8000Propulsé par

Ouvrez un autre terminal et générez de la parole :

curl -X POST http://localhost:8000/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{
    "input": "Hello, how are you?"
  }' \
  --output output.wavPropulsé par

Le modèle génère la parole et l’enregistre sous output.wav. Vous pouvez modifier le texte d’entrée ou explorer le clonage de voix et la génération multi‑locuteurs via le cookbook officiel de Drama 3.

5. Breeze TTS 2

Breeze TTS 2 est un modèle TTS de 3 milliards de paramètres pour l’anglais et le chinois. Il prend en charge le clonage de voix à partir d’un enregistrement de référence, le design de voix à partir d’une description en langage naturel, et des instructions naturelles pour le ton, l’émotion et l’intonation.

Source : Breeze TTS 2

La fiche modèle de BreezeBlue indique une première place parmi les modèles open‑weight sur le leaderboard TTS d’Artificial Analysis, avec un time-to-first-audio inférieur à 40 ms sur H100 via la voie rapide. Il gère aussi des événements vocaux inline comme (laugh), (sigh) et (cough).

Cela en fait un bon choix pour des applications vocales interactives, mais ses poids auto‑hébergés et ses sorties sont limités à la recherche et à l’usage non commercial. Seul le code source est sous Apache 2.0.

Démarrage rapide : sous Linux avec Python 3.10+ et un GPU NVIDIA compatible CUDA, clonez le dépôt officiel et installez les dépendances.

git clone https://github.com/breezeblue-ai/breeze-tts.git
cd breeze-tts

python -m pip install -r requirements.txt
python -m pip install -U huggingface_hubPropulsé par

Téléchargez le checkpoint du modèle :

hf download BreezeBlue/Breeze-TTS-2 \
  --local-dir ../breeze-tts-2Propulsé par

Générez de la parole avec l’exemple officiel de design de voix. Cela ne requiert pas d’audio de référence.

python infer.py ../breeze-tts-2 \
  --text "(sigh) Welcome aboard. Your journey begins now." \
  --instruction "A warm, thoughtful young woman with a clear voice and a calm, reflective delivery." \
  --cfg-scale 4 \
  --output outputs/voice_design_en.wavPropulsé par

Le modèle génère de la parole en fonction de la description de voix et enregistre le résultat sous outputs/voice_design_en.wav. Le mode d’inférence par défaut nécessite environ 7,7 Gio de mémoire GPU (14,4 Gio avec l’option --fast-all), et un GPU 12 Go est recommandé au minimum. Vous pouvez aussi tester le clonage de voix et le streaming via la documentation officielle de Breeze TTS 2.

6. Kokoro 82M

Kokoro 82M est un modèle TTS léger avec seulement 82 millions de paramètres. Sa version v1.0 propose 54 voix dans 8 langues. C’est l’une des options les plus accessibles pour les développeurs qui veulent expérimenter la génération de parole sans GPU haut de gamme.

Source : Kokoro 82M

L’avantage clé de Kokoro est l’efficacité. Il convient à la narration hors ligne, aux outils d’accessibilité et aux assistants vocaux, et ses poids Apache 2.0 autorisent l’usage commercial.

Démarrage rapide : vous pouvez exécuter Kokoro directement dans Google Colab. Commencez par installer les packages requis :

!pip install -q "kokoro>=0.9.2" soundfile

!apt-get -qq -y install espeak-ng > /dev/null 2>&1Propulsé par

Générez de la parole via l’interface Python officielle :

from kokoro import KPipeline
from IPython.display import display, Audio
import soundfile as sf

pipeline = KPipeline(lang_code='a')

text = "Hello! Welcome to the world of open-source text-to-speech models."

generator = pipeline(text, voice='af_heart')

for i, (gs, ps, audio) in enumerate(generator):
    display(Audio(data=audio, rate=24000))
    sf.write(f'{i}.wav', audio, 24000)Propulsé par

Le modèle génère de la parole avec la voix anglaise américaine af_heart, lit l’audio dans Colab et l’enregistre en WAV. Vous pouvez changer le texte, la voix ou la langue en vous référant à la fiche modèle officielle de Kokoro.

Meilleurs LLM audio open source en temps réel

Les LLM audio en temps réel écoutent des questions parlées et génèrent des réponses vocales naturelles. Au lieu de chaîner une reconnaissance vocale et une synthèse vocale séparées, ils gèrent les conversations continues, les interruptions et l’écoute/parole simultanées au sein d’un seul modèle.

7. MiniCPM-o 4.5

MiniCPM-o 4.5 est un modèle multimodal de 9 milliards de paramètres d’OpenBMB qui comprend images, vidéo, audio et texte, et répond par la voix. Il prend en charge des conversations vocales en temps réel en anglais et en chinois, le clonage de voix, et l’interaction full‑duplex. Full‑duplex signifie que le modèle peut écouter, regarder et parler en même temps sans attendre la fin de chaque tour.

Source : MiniCPM-o 4.5

Sa particularité est la combinaison de compréhension visuelle et d’interaction vocale. Vous pouvez créer des assistants qui répondent à des questions orales sur un flux caméra en direct, décrivent leur environnement, ou réagissent à une conversation tout en traitant la vidéo. Les poids sont sous licence Apache 2.0, et les développeurs fournissent une démo web prête à l’emploi, bien que le streaming full‑duplex reste expérimental.

Démarrage rapide : la démo web officielle MiniCPM-o 4.5 prend en charge les conversations audio et vidéo en direct. Vous avez besoin de Linux, Docker Compose, NVIDIA Container Toolkit et d’un GPU NVIDIA avec plus de 28 Go de VRAM.

Commencez par cloner le dépôt de démo officiel :

git clone https://github.com/OpenBMB/MiniCPM-o-Demo.git
cd MiniCPM-o-DemoPropulsé par

Téléchargez le checkpoint du modèle :

hf download openbmb/MiniCPM-o-4_5 \
  --local-dir ./MiniCPM-o-4_5Propulsé par

Générez le certificat HTTPS local :

mkdir -p certs data
openssl req -x509 -newkey rsa:2048 -nodes -days 365 \
  -keyout certs/key.pem -out certs/cert.pem -subj "/CN=minicpm-o"Propulsé par

Lancez la démo web avec Docker Compose :

MODEL_HOST_PATH=/path/to/MiniCPM-o-4_5 docker compose up -d --build
docker compose logs -f gateway
docker compose logs -f worker-backend-0Propulsé par

Remplacez /path/to/MiniCPM-o-4_5 par le chemin absolu du checkpoint téléchargé, et modifiez docker-compose.yml pour refléter votre nombre de GPUs. Ouvrez l’interface web HTTPS sur le port 8006 et autorisez l’accès au micro et à la caméra.

Sélectionnez Audio Full-Duplex pour une conversation vocale en direct, ou Omnimodal Full-Duplex pour interagir en vidéo et audio. Vous pouvez poser des questions, interrompre le modèle et expérimenter des conversations continues.

8. NVIDIA PersonaPlex

NVIDIA PersonaPlex est un modèle speech‑to‑speech de 7 milliards de paramètres conçu pour des conversations naturelles en temps réel. Basé sur l’architecture Moshi, il prend en charge la communication full‑duplex, pouvant écouter et parler simultanément. Il gère les interruptions et les chevauchements de parole sans systèmes séparés de transcription et de synthèse.

Source : NVIDIA PersonaPlex

PersonaPlex permet de contrôler la voix et la personnalité de l’assistant, afin de personnaliser son rôle conversationnel et son style pour des agents de service client, des tuteurs virtuels, et autres agents vocaux. Il se concentre sur la conversation audio et n’accepte pas d’entrée visuelle : préférez MiniCPM-o si vous avez besoin de vidéo. Les poids sont publiés sous la NVIDIA Open Model License.

Démarrage rapide : clonez le dépôt officiel et installez les dépendances sur un Linux compatible avec un GPU NVIDIA.

git clone https://github.com/NVIDIA/personaplex.git
cd personaplex

sudo apt install libopus-dev
pip install moshi/.Propulsé par

Acceptez la licence du modèle sur Hugging Face et configurez votre jeton d’accès :

export HF_TOKEN="YOUR_HUGGINGFACE_TOKEN"Propulsé par

Démarrez le serveur officiel PersonaPlex :

SSL_DIR=$(mktemp -d); python -m moshi.server --ssl "$SSL_DIR"Propulsé par

Si votre GPU est limité en mémoire, ajoutez l’option --cpu-offload, qui nécessite le package accelerate.

Ouvrez https://localhost:8998 dans votre navigateur et autorisez l’accès au micro. Vous pouvez maintenant parler directement avec PersonaPlex, poser des questions, interrompre ses réponses et tester différentes personnalités de voix.

Meilleurs modèles open source de génération audio et musique

Les modèles de génération audio créent de la musique originale, des instrumentaux et des mélodies à partir d’invites textuelles. Certains génèrent aussi des chansons complètes avec voix, éditent des enregistrements existants, ou produisent de la musique à partir d’une mélodie de référence.

9. ACE-Step 1.5

ACE-Step 1.5 est un modèle open source de génération musicale qui crée des chansons complètes à partir de descriptions textuelles. Il prend en charge les voix, des paroles personnalisées, de multiples styles musicaux et des morceaux jusqu’à 10 minutes. Vous pouvez aussi contrôler le tempo, la tonalité et la durée, ou utiliser des enregistrements existants pour faire des covers et éditer des sections d’une chanson.

Source : ACE-Step 1.5

ACE-Step se distingue par son accessibilité comparée à des modèles de génération musicale plus grands. Il fonctionne sur du matériel NVIDIA, AMD, Intel et Apple Silicon, et son rapport technique indique qu’il peut tourner sur des GPUs avec moins de 4 Go de VRAM. Le README du projet annonce moins de 2 secondes par chanson complète sur un A100 et moins de 10 secondes sur un RTX 3090.

Il inclut une interface web Gradio et une API REST. Les variantes XL, qui utilisent un décodeur DiT de 4B paramètres, échangent de la mémoire contre de la qualité audio et nécessitent au moins 12 Go de VRAM avec offloading ou 20 Go sans. Le projet est sous licence MIT.

Démarrage rapide : installez le gestionnaire de paquets uv sous Linux ou macOS :

curl -LsSf https://astral.sh/uv/install.sh | shPropulsé par

Clonez le dépôt officiel et installez les dépendances :

git clone https://github.com/ACE-Step/ACE-Step-1.5.git
cd ACE-Step-1.5

uv syncPropulsé par

Lancez l’interface de génération musicale :

uv run acestepPropulsé par

Ouvrez http://localhost:7860 dans votre navigateur. L’application télécharge les fichiers de modèle requis au premier lancement et sélectionne automatiquement une configuration adaptée à votre matériel.

Pour générer de la musique, saisissez une description de votre morceau souhaité, par exemple un track électronique entraînant avec des batteries énergiques et des synthétiseurs. Vous pouvez aussi fournir des paroles personnalisées, ajuster la durée ou choisir un instrumental. Cliquez sur le bouton de génération pour créer votre musique, écoutez le résultat et téléchargez le fichier audio.

10. Meta MusicGen Large

MusicGen Large est un modèle texte‑vers‑musique de 3,3 milliards de paramètres développé par Meta dans le cadre du projet AudioCraft. Il génère de la musique instrumentale à partir de descriptions textuelles couvrant genres, ambiances, instruments et styles. C’est le plus grand checkpoint texte‑vers‑musique de la version initiale de MusicGen.

Source : MusicGen Large

MusicGen Large produit des musiques d’arrière‑plan détaillées, des bandes‑sons et des clips instrumentaux à partir de quelques mots, et fonctionne avec Hugging Face Transformers et AudioCraft. C’est aussi le modèle le plus ancien de cette liste. Meta l’a entraîné en avril‑mai 2023 sur 20 000 heures de musique sous licence, et il ne peut pas générer de voix réalistes.

Un GPU est recommandé. Les poids préentraînés sont sous licence CC BY‑NC 4.0, ce qui limite l’usage commercial, tandis que le code est sous licence MIT.

Démarrage rapide : installez Transformers et SciPy.

pip install --upgrade transformers scipyPropulsé par

Utilisez l’exemple officiel Hugging Face pour générer de la musique à partir d’une invite texte :

from transformers import pipeline
import scipy

synthesiser = pipeline("text-to-audio", "facebook/musicgen-large")

music = synthesiser(
    "lo-fi music with a soothing melody",
    forward_params={"do_sample": True}
)

scipy.io.wavfile.write(
    "musicgen_out.wav",
    rate=music["sampling_rate"],
    data=music["audio"]
)Propulsé par

Le modèle se télécharge automatiquement au premier usage, génère une piste instrumentale à partir de l’invite, puis l’enregistre sous musicgen_out.wav. Vous pouvez modifier le texte pour explorer différents genres, instruments et ambiances.

Quel modèle audio IA open source choisir ?

Le meilleur choix dépend de votre objectif : transcrire la parole, générer des voix réalistes, construire un assistant temps réel, ou créer de la musique. Cette comparaison couvre les capacités, la taille et la licence pour chaque cas d’usage.

Pour conclure

Les modèles audio open source progressent vite en reconnaissance vocale, synthèse, conversation temps réel et génération musicale. Ils gagnent en précision, en vitesse et en simplicité de déploiement, permettant aux développeurs de construire des applications audio sans dépendre uniquement de services commerciaux onéreux.

Personnellement, j’utilise Voxtral via Spokenly pour l’essentiel de mes transcriptions, et j’en suis ravi. La précision est bluffante, et même si le modèle open‑weight est massif, j’appelle l’API hébergée de Mistral, qui est restée gratuite pour mon usage. C’est un bon exemple de la façon dont ces modèles deviennent pratiques au quotidien.

Ce qui m’enthousiasme encore plus, c’est l’élan de l’IA conversationnelle. Nous savons déjà à quel point des échanges vocaux avec ChatGPT peuvent paraître naturels, et des modèles open source comme NVIDIA PersonaPlex et MiniCPM-o 4.5 apportent des capacités similaires aux développeurs qui veulent bâtir leurs propres assistants. Parallèlement, ACE-Step permet de générer des chansons complètes, et des options légères comme Kokoro rendent la synthèse vocale plus accessible.

Il n’existe pas un modèle unique parfait pour tout, et c’est ce qui rend ce domaine passionnant. Que vous cherchiez une transcription précise, des voix réalistes, des conversations naturelles ou de la musique générée, il y a probablement un modèle open source à essayer.