ANLEITUNG

Eine Alternative zu CosyVoice, IndexTTS und Spark-TTS

CosyVoice, IndexTTS und Spark-TTS gehören zu den stärksten offenen Sprachmodellen auf Basis von Sprachmodell-Ideen: Sie kopieren eine Stimme aus einem einzigen Clip, folgen Anweisungen zu Emotionen und beherrschen Chinesisch hervorragend. Es sind große Modelle, die meist auf NVIDIA-Grafikkarten laufen, und ihre Sprachlisten sind kurz.

Die kostenlose SuperClonica-Engine betreibt das kleinere Modell Supertonic 3 auf einem normalen Prozessor in 31 Sprachen, mit einem Katalog fertiger Stimmen. Dieser Leitfaden vergleicht sie ehrlich und sagt, wann eines der drei die bessere Wahl ist.

Stimmen ansehen SuperClonica-Engine installieren

Was die drei gut können

Für Chinesisch, seine Dialekte und sofortiges Klonen aus einem Clip sind es hervorragende Werkzeuge.

  • Fun-CosyVoice 3.0 deckt 9 Sprachen ab, darunter Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Spanisch, Französisch, Italienisch und Russisch, dazu über 18 chinesische Dialekte, und folgt Anweisungen zu Emotion und Tempo.
  • IndexTTS-2.5 klont eine Stimme aus einem Referenzclip auf Chinesisch, Englisch, Japanisch, Spanisch und Arabisch, mit feiner Emotionssteuerung.
  • Spark-TTS spricht Chinesisch und Englisch und klont Stimmen zwischen beiden.
  • Die Lizenzen unterscheiden sich: CosyVoice steht unter Apache 2.0, IndexTTS unter dem bilibili Model Use License Agreement; prüfen Sie jedes Modell vor kommerzieller Nutzung.

Den Klang gratis vergleichen

Fügen Sie auf der Seite einer beliebigen Stimme einen Satz ein, den Sie mit einem der drei vertont haben, 30 bis 100 Zeichen, wählen Sie die Sprache und klicken Sie auf die Schaltfläche zum Vertonen. In wenigen Sekunden können Sie vergleichen, ohne Konto.

Was sich mit SuperClonica ändert

Der Text wird wie geschrieben gelesen, und derselbe Seed liefert dieselbe Aufnahme erneut, was lange Projekte einheitlich hält.

  • 31 Sprachen, darunter Portugiesisch, Polnisch, Niederländisch, Türkisch, Ukrainisch, Hindi, Indonesisch und Vietnamesisch; Chinesisch gehört nicht dazu.
  • Läuft auf einem normalen Prozessor: In unseren Tests dauerte ein kurzer Satz 0,43 s auf vier Threads eines Ryzen 7 5800X.
  • Fertige Stimmen: zehn Standardstimmen und über 170 Katalogstimmen mit kostenloser Demo.
  • Installation mit einem Befehl: python -m pip install superclonica-cpu, oder ein Docker-Image mit HTTP-API.

Stimme kopieren oder trainieren

Die drei kopieren eine Stimme bei jeder Generierung aus einem Clip. In SuperClonica wird eine Stimme einmal im Studio aus einer sauberen Aufnahme von 5 bis 10 Sekunden auf einem Computer mit NVIDIA-Grafikkarte trainiert oder auf der Börse bei einem Autor bestellt, der sie trainiert. Danach läuft sie auf jedem Prozessor und in allen 31 Sprachen, mit einem Hauch des Akzents der Originalaufnahme. Klonen Sie nur Stimmen, deren Inhaber einverstanden sind.

Was Sie wählen sollten

Wählen Sie CosyVoice, IndexTTS oder Spark-TTS für Chinesisch und seine Dialekte, für sofortiges Klonen aus einem Clip und für Emotionsanweisungen, wenn Sie eine Grafikkarte haben. Wählen Sie SuperClonica für die vielen Sprachen, die sie nicht abdecken, für fertige Figuren- und Sprecherstimmen und für Sprache in großen Mengen auf normalen Servern und Laptops.