MODELLVERGLEICH

OmniVoice oder SuperClonica: mehr Sprachen oder mehr Tempo

OmniVoice aus dem Projekt k2-fsa ist ein Zero-Shot-Modell für Sprachsynthese mit enorm breiter Sprachabdeckung: Die Dokumentation listet 646 Sprachen. Es klont eine Stimme aus wenigen Sekunden Audio und kann eine aus einer Liste von Merkmalen entwerfen. SuperClonica beherrscht deutlich weniger Sprachen, nämlich 31, läuft dafür aber schnell auf einer normalen CPU und hält die Klangfarbe von Satz zu Satz stabil.

So unterscheiden sich die beiden, und so wählen Sie.

Stimmen für die CPU anhören SuperClonica-Engine einrichten

Was OmniVoice gut kann

OmniVoice nutzt eine Architektur im Stil eines Diffusions-Sprachmodells, Basismodell ist Qwen3-0.6B.

  • Sprachen: 646 in der offiziellen Liste, 581.000 Stunden Trainingsdaten.
  • Stimme klonen aus einem Referenzclip von 3–10 Sekunden samt Transkript, ohne Training.
  • Stimmdesign über Merkmale wie Geschlecht, Alter, Tonhöhe, Akzent oder Flüstern. Laut den Entwicklern wurde dieser Modus nur mit chinesischen und englischen Daten trainiert und kann in ressourcenarmen Sprachen instabil sein.
  • Tempo auf der GPU: Die Entwickler nennen einen Echtzeitfaktor ab 0,025, also 40-mal schneller als Echtzeit.
  • Hardware: NVIDIA-GPUs, Apple Silicon und Intel Arc werden unterstützt.

OmniVoice auf der CPU: unsere Schätzung

Auf einem Desktop-Achtkerner schätzen wir OmniVoice auf 2- bis 5-mal langsamer als Echtzeit; ein Satz von 10 Sekunden dauert also 20–50 Sekunden. SuperClonica braucht dafür etwa 1,0–1,6 Sekunden und ist damit 6,4- bis 9,7-mal schneller als Echtzeit.

Ausgangspunkt ist omnivoice-server, ein HTTP-Server für OmniVoice, der auf der CPU einen Echtzeitfaktor von 4,92 bei 32 Schritten meldet, ohne den Prozessor zu nennen. Wir rechnen mit bis zu 2,5-fachem Tempo auf einer schnellen Desktop-CPU. Wie alle Geschwindigkeiten in unserer Tabelle ist das eine Schätzung, keine Messung.

Qualität und Klangstabilität

In unserer Tabelle bekommen OmniVoice und SuperClonica dieselbe Qualitätsnote, 4,5 von 5. Der Unterschied liegt woanders: CPU-Leistung (2 gegenüber 5) und Klangstabilität (4 gegenüber 5). Eine stabile Klangfarbe zählt, wenn eine Figur Hunderte Sätze spricht, etwa in Spielen und Hörbüchern.

Die OmniVoice-Dokumentation weist in dieselbe Richtung: Klonen ist der stabilste Modus, und lange Referenzclips verlangsamen die Generierung und können das Ergebnis verschlechtern.

Lizenz

Der Code von OmniVoice steht unter Apache 2.0, laut Model Card ist das vortrainierte Modell wegen der Trainingsdaten aber unter CC-BY-NC lizenziert. Mit den Standardbedingungen ist eine kommerzielle Nutzung der offiziellen Gewichte damit ausgeschlossen.

Supertonic 3 steht unter OpenRAIL-M, einer gebührenfreien Lizenz mit einer Liste verbotener Nutzungen statt einer Nicht-kommerziell-Klausel. Bei SuperClonica gekaufte Stimmen sind für Ihre eigenen Projekte bestimmt und dürfen nicht weiterverkauft werden.

OmniVoice oder SuperClonica für Text-to-Speech?

Entscheiden Sie zuerst nach Sprache, dann nach Hardware.

  • OmniVoice: Ihre Sprache gehört nicht zu den 31 von Supertonic 3, Sie brauchen Chinesisch oder Sofort-Klonen, und eine GPU ist vorhanden.
  • SuperClonica: Die Sprachausgabe soll auf CPUs, im Browser oder in einer App laufen, offline und schnell, mit derselben Stimme über Tausende Sätze.