Je vais vous faire un aveu : je ne suis pas un grand consommateur de livres audio. Mon cerveau a tendance à partir vagabonder ailleurs pendant qu'une voix me lit un texte, et je décroche au bout de deux minutes. Je suis plutôt du genre à préférer un podcast où ça discute et où ça rigole plutôt qu'une œuvre littéraire qui réclame toute mon attention.

Mais je sais que beaucoup d'entre vous adorent ça, et je sais aussi à quel point c'est frustrant quand le bouquin que vous voulez écouter n'existe tout simplement pas en version audio. Un vieux roman épuisé depuis longtemps, un rapport technique en PDF, une fanfiction de 800 pages, un article de blog un peu long, ou n'importe quel texte trop confidentiel pour qu'un studio comme Audible prenne un jour la peine de l'enregistrer. Bref, tout ce qui n'intéresse que vous.

C'est exactement le problème qu'a voulu résoudre Finrandojin, un développeur qui, fatigué d'attendre l'audiobook de ses rêves, a fini par coder sa propre solution. Le résultat s'appelle Alexandria, un générateur de livres audio multi-voix qui tourne entièrement en local sur votre ordinateur, sans abonnement ni service cloud obligatoire. Je vous propose de faire le tour de ce qu'il a dans le ventre, de ses limites, et de la manière de l'installer chez vous.

Qu'est-ce qu'Alexandria ?

Alexandria est un outil open source (licence MIT) qui convertit n'importe quel texte en livre audio interprété par plusieurs voix distinctes, un peu comme si vous aviez engagé toute une troupe de doubleurs. Le projet, hébergé sur GitHub, a connu un engouement assez soudain ces derniers mois auprès de la communauté des lecteurs et des créateurs de contenu, au point que son auteur prévient lui-même dans le README qu'il ne pourra pas répondre à tout le monde individuellement.

Concrètement, vous donnez à Alexandria un fichier texte de votre choix, et l'outil se charge de tout : découper le texte, identifier qui parle et comment, puis synthétiser une piste audio complète avec une voix différente pour chaque personnage et pour le narrateur. Le tout sans jamais envoyer votre texte à un service tiers, puisque le moteur de synthèse vocale tourne directement sur votre machine.

Comment Alexandria transforme un texte en livre audio

Le fonctionnement repose sur un attelage entre deux technologies bien distinctes, et c'est ce qui fait tout l'intérêt du projet.

Première étape, vous importez un fichier au format .txt, .md ou .epub dans l'interface web d'Alexandria. Un LLM (grand modèle de langage) analyse ensuite ce texte pour le découper en petits morceaux, en identifiant automatiquement qui parle à chaque ligne (le narrateur ou tel ou tel personnage) et en ajoutant une instruction de ton pour la synthèse vocale : une réplique chuchotée avec effroi, une tirade pleine d'assurance, un sanglot étouffé, etc. Une option de relecture par le LLM permet même de repasser une seconde fois sur le script pour corriger les erreurs d'attribution les plus fréquentes, comme une réplique de dialogue restée collée à la narration.

Seconde étape, une fois ce script annoté généré, le moteur Qwen3-TTS entre en jeu pour synthétiser l'audio de chaque ligne en tenant compte du personnage et de l'instruction de ton associée. Le résultat est loin d'égaler un vrai enregistrement fait par un comédien professionnel, mais il est déjà bluffant pour un rendu généré automatiquement, avec de vraies intonations et même des exclamations non verbales (soupirs, rires, sanglots) écrites de façon à être prononçables plutôt qu'affichées comme de simples balises entre crochets.

Point intéressant : vous choisissez vous-même où tourne le LLM chargé de l'annotation. Vous pouvez le faire tourner en local via LM Studio ou Ollama pour rester 100% offline, ou passer par une API cloud compatible OpenAI si vous préférez la rapidité et la puissance d'un modèle hébergé. Le moteur de synthèse vocale Qwen3-TTS, lui, est intégré directement à Alexandria et n'a besoin d'aucun serveur externe pour fonctionner, sauf si vous choisissez volontairement de le brancher sur un serveur Gradio distant.

Le casting vocal : voix prêtes à l'emploi, clonage et personas générés automatiquement

C'est sans doute la partie la plus impressionnante du projet. Alexandria propose plusieurs façons de constituer votre distribution de voix, du plus simple au plus poussé.

Les voix prêtes à l'emploi
9 voix pré-entraînées (Aiden, Dylan, Eric, Ono_anna, Ryan, Serena, Sohee, Uncle_fu et Vivian) sont directement disponibles, avec un contrôle de l'émotion et du ton piloté par les instructions générées par le LLM. Vous pouvez aussi ajouter un style de personnage persistant, par exemple un léger accent, qui s'appliquera à chaque réplique.
Le clonage de voix
Vous fournissez un échantillon audio de référence de 5 à 15 secondes, et Alexandria en tire une voix clonée utilisable pour n'importe quel personnage de votre script.
La création de voix par description
Vous décrivez la voix que vous imaginez en langage naturel, par exemple « une voix masculine chaude et grave, au ton calme et posé », et l'outil la génère à la volée grâce au modèle Voice Design de Qwen3-TTS. Vous pouvez ensuite la sauvegarder dans votre bibliothèque de voix.
La génération automatique de personas
En un seul clic, le LLM analyse l'ensemble du script, invente une description de voix cohérente pour chaque personnage détecté, génère l'audio de référence correspondant via Voice Design, puis assigne automatiquement une voix clonée à chaque rôle. C'est de loin la méthode la plus rapide pour donner une voix unique à toute une distribution de personnages sans y passer des heures.
L'entraînement de voix persistantes (LoRA)
Pour les utilisateurs les plus exigeants, Alexandria permet d'entraîner des adaptateurs LoRA sur un jeu de données vocal personnalisé, afin de créer des identités de voix durables qui conservent la capacité de suivre vos instructions de ton. Plusieurs préréglages LoRA sont d'ailleurs fournis d'office avec l'outil.

Les outils avancés pour peaufiner le résultat

Pour les perfectionnistes, Alexandria embarque également un éditeur web complet qui vous permet de reprendre le contrôle sur chaque ligne du script : modifier le texte, changer de personnage, ajuster l'instruction de ton, puis régénérer uniquement cette ligne sans devoir tout relancer. Un mode de rendu par lot (« batch »), plus rapide, permet en outre de générer plusieurs dizaines de répliques simultanément, avec un débit annoncé de 3 à 6 fois la vitesse réelle une fois la compilation du codec activée.

Un « Dataset Builder » interactif est aussi disponible pour préparer, échantillon par échantillon, les jeux de données nécessaires à l'entraînement des voix LoRA, avec prévisualisation audio à chaque étape.

Côté export, vous avez le choix entre plusieurs formats selon votre usage :

Et cerise sur le gâteau, tout ce processus fonctionne dans une dizaine de langues (anglais, chinois, français, allemand, italien, japonais, coréen, portugais, russe, espagnol) ou en détection automatique, ce qui rend l'outil parfaitement utilisable pour vos ebooks en français.

Configuration requise et compatibilité GPU

Alexandria n'est clairement pas un outil taillé pour tourner sur n'importe quelle machine. Il vous faudra au minimum 8 Go de VRAM, et idéalement 16 Go ou plus pour obtenir un débit de génération confortable, sachant que chaque modèle de synthèse vocale mobilise environ 3,4 Go de mémoire vidéo à lui seul. Côté RAM, comptez 16 Go recommandés (8 Go minimum), et prévoyez environ 20 Go d'espace disque libre pour l'installation, les modèles et l'espace de travail audio.

Le mode CPU existe sur toutes les plateformes en dépannage, mais il est nettement plus lent qu'un rendu accéléré par GPU. Voici, selon la documentation officielle du projet, comment se répartit la compatibilité matérielle :

Compatibilité GPU d'Alexandria selon la configuration
Carte graphique Système Statut Remarque
NVIDIA Windows Support complet Pilote 550+ (CUDA 12.8), Flash Attention inclus
NVIDIA Linux Support complet Pilote 550+ (CUDA 12.8), Flash Attention et Triton inclus
AMD Linux Support complet ROCm 6.3, optimisations appliquées automatiquement
AMD Windows CPU uniquement Aucune accélération GPU disponible pour l'instant
Apple Silicon macOS CPU uniquement L'accélération MPS n'est pas encore supportée, fonctionnel mais lent
Intel macOS CPU uniquement Aucune accélération GPU disponible
Données issues de la documentation officielle du projet Alexandria sur GitHub.

Si vous êtes sur Mac (Apple Silicon ou Intel) ou sur AMD sous Windows, la génération tournera en mode CPU, ce qui peut représenter plusieurs heures pour un roman entier. Rien ne vous empêche de lancer la génération et de vaquer à autre chose en attendant, mais si vous cherchez une solution rapide pour faire parler votre Mac, Alexandria n'est probablement pas le bon choix pour l'instant.

Installation : trois façons de démarrer

Bonne nouvelle, l'installation reste relativement accessible même si l'outil est technique. Trois méthodes s'offrent à vous :

Via Pinokio (la méthode recommandée)
Installez d'abord Pinokio, puis ajoutez Alexandria en collant l'URL du dépôt GitHub ou en utilisant le lien d'installation direct. Un clic sur « Install » télécharge les dépendances, puis un clic sur « Start » lance l'interface web. C'est de loin la méthode la plus simple pour un débutant.
Via Google Colab (sans installation)
Si vous n'avez pas de carte graphique compatible, un notebook Google Colab est fourni pour faire tourner Alexandria gratuitement sur un GPU T4 directement dans votre navigateur. Il vous faudra simplement un compte ngrok gratuit pour établir le tunnel vers l'interface web.
Via Docker (pour les configurations serveur)
Une image Docker est également disponible pour les utilisateurs NVIDIA qui souhaitent intégrer Alexandria dans un pipeline automatisé ou un déploiement serveur, via le NVIDIA Container Toolkit et une simple commande docker compose up --build.

Quelle que soit la méthode choisie, gardez à l'esprit que les modèles de synthèse vocale (environ 3,5 Go par variante) ne sont pas inclus dans l'installation initiale : ils se téléchargent automatiquement lors de la toute première génération audio, ce qui peut prendre un petit moment selon votre connexion.

Les limites à connaître avant de se lancer

Alexandria reste un projet porté par un développeur indépendant, et cela se ressent sur quelques points. La qualité de la synthèse vocale, aussi impressionnante soit-elle, ne remplace pas encore un enregistrement réalisé par un vrai comédien : les intonations restent parfois un cran en dessous d'une interprétation humaine, surtout sur les passages les plus subtils sur le plan émotionnel.

La contrainte matérielle est également réelle : sans GPU NVIDIA récent ou AMD sous Linux, l'expérience se dégrade fortement. Et comme évoqué plus haut, les possesseurs de Mac ou d'AMD sous Windows devront composer avec un mode CPU nettement plus lent, en attendant une éventuelle prise en charge de l'accélération MPS d'Apple Silicon.

Pour qui est fait Alexandria ?

Si vous accumulez les ebooks que personne ne mettra jamais en voix, que ce soit de vieux romans épuisés, des textes techniques, des fanfictions ou n'importe quel contenu de niche, Alexandria ouvre une vraie perspective : celle de vous constituer votre propre bibliothèque de livres audio, gratuitement, sans dépendre du bon vouloir d'un studio d'édition et sans jamais envoyer votre texte à un service tiers.

C'est un outil résolument DIY, gourmand en ressources GPU, qui s'adresse autant aux passionnés de lecture qu'aux bidouilleurs curieux de tester le clonage de voix ou l'entraînement de modèles LoRA. Le code étant sous licence MIT, rien ne vous empêche non plus de l'adapter à vos besoins si vous avez quelques bases en Python.

Mon conseil, si vous décidez de vous lancer : testez d'abord avec un seul chapitre avant de convertir un roman entier. Cela vous permettra de calibrer les voix, de vérifier le rendu et d'ajuster les réglages avant d'investir plusieurs heures de calcul GPU dans un livre complet.

Source