Voicebox clone ta voix en 3 secondes, et c'est flippant

Voicebox, c'est une appli open-source gratuite créée par Jamie Pine (le fondateur de Spacedrive Technology) qui permet de cloner une voix humaine à partir d'à peine 3 secondes d'audio, le tout en local sur ton propre ordinateur, sans compte ni abonnement.

L'appli tourne sous Windows, Linux et macOS, et se présente comme une alternative gratuite à des services payants comme ElevenLabs (clonage vocal) ou WisprFlow (dictée vocale). Tu peux nourrir Voicebox avec un fichier audio, un enregistrement micro, ou même directement le son qui sort de ton PC, genre une vidéo YouTube ou un podcast Spotify. Ensuite, l'appli s'appuie sur plusieurs moteurs vocaux (dont Qwen3-TTS d'Alibaba ou Chatterbox de Resemble AI) pour faire lire n'importe quel texte avec la voix clonée, et ça marche dans 23 langues.

Comment ça fonctionne techniquement

Sous le capot, Voicebox transcrit d'abord l'échantillon vocal avec Whisper, puis un moteur de synthèse génère une nouvelle voix calée sur cet échantillon et sa transcription. Niveau matériel, pas besoin d'une bête de course : 8 Go de RAM et 5 Go de stockage suffisent, et avec 16 Go de RAM plus une carte Nvidia tu es dans le confort recommandé. Autrement dit, un PC de gamer moyen fait largement le job.

Usages légitimes et dérives possibles

Côté pile, l'outil a de vrais usages intéressants : doublage de podcasts et livres audio, voix de personnages de jeux vidéo, assistants vocaux, ou encore aides à l'accessibilité. Côté face, le souci c'est que Spacedrive précise bien dans ses conditions d'utilisation que les vérifications de propriété de la voix ne s'appliquent pas à l'appli desktop. Concrètement, rien n'empêche quelqu'un de cloner la voix de n'importe qui à partir d'une interview YouTube, d'un reel Instagram ou même d'un simple appel téléphonique, et de s'en servir comme il veut.

Ce qu'il faut retenir

• Voicebox clone une voix humaine à partir de 3 à 30 secondes d'audio, en local et gratuitement
• L'appli tourne sur un PC standard (8 Go de RAM minimum) sous Windows, macOS et Linux
• Contrairement aux services cloud comme ElevenLabs, aucune vérification de propriété de la voix n'est imposée
• Ça fragilise encore un peu plus les systèmes d'authentification vocale (banques, assurances) et augmente le risque d'arnaques par usurpation de voix