ANLEITUNG

Eine Alternative zu Dia, Orpheus und Sesame CSM, die auf der CPU läuft

Dia, Orpheus TTS und Sesame CSM haben Ideen großer Sprachmodelle in die Sprachsynthese gebracht: lebendige Dialoge, Lachen, Emotions-Tags und schnelles Streaming. Sie teilen auch eine Voraussetzung: eine NVIDIA-Grafikkarte, und bei Dia nur englischen Text.

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 ausdrucksstarke englische Gespräche auf einer Grafikkarte gehören sie zu den beeindruckendsten offenen Modellen.

  • Dia, 1,6 Milliarden Parameter, schreibt ganze Dialoge aus einem Skript mit den Sprecher-Tags [S1] und [S2] und kann lachen oder husten; es unterstützt nur Englisch und wurde auf GPUs getestet.
  • Orpheus TTS basiert auf einem Llama-Modell mit 3 Milliarden Parametern, versteht Emotions-Tags und streamt mit etwa 200 ms Latenz; es läuft mit vLLM auf einer Grafikkarte.
  • Sesame CSM, 1 Milliarde Parameter, braucht eine CUDA-Grafikkarte und Zugang zum Modell Llama 3.2 1B.
  • Alle drei stehen unter der Apache-2.0-Lizenz.

Den Klang gratis vergleichen

Fügen Sie auf der Seite einer beliebigen Stimme einen Satz ein, den Sie mit Dia, Orpheus oder CSM 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

Lange Texte werden an natürlichen Pausen geteilt und zu einer Datei zusammengefügt, ein Kapitel oder Skript geht also in einem Aufruf hinein.

  • Installation mit einem Befehl: python -m pip install superclonica-cpu, oder das Docker-Image als HTTP-Dienst.
  • Es läuft auf einem normalen Prozessor: In unseren Tests dauerte ein kurzer Satz 0,43 s auf vier Threads eines Ryzen 7 5800X.
  • 31 Sprachen, darunter Deutsch, Spanisch, Französisch, Russisch, Japanisch und Koreanisch; Chinesisch wird noch nicht unterstützt.
  • Der Text wird wie geschrieben gelesen, und derselbe Seed liefert dieselbe Aufnahme erneut.

Stimmen: Prompts, Presets und trainierte Stimmen

Dia hält einen Sprecher per Audio-Prompt oder festem Seed; Orpheus bringt vordefinierte Stimmen mit; CSM nimmt Kontext-Audio. SuperClonica hat zehn Standardstimmen und über 170 Katalogstimmen, jede mit kostenloser Demo; Ihre eigene Stimme wird einmal im SuperClonica-Studio aus einer sauberen Aufnahme von 5 bis 10 Sekunden einer einverstandenen Person auf einem Computer mit NVIDIA-Grafikkarte trainiert oder auf der Börse bestellt. Danach läuft sie auf jedem Prozessor und in allen 31 Sprachen.

Was Sie wählen sollten

Wählen Sie Dia, Orpheus oder CSM für ausdrucksstarke englische Gespräche mit Lachen und Emotions-Tags oder für einen Sprachagenten mit Streaming, wenn Sie für jede Anfrage eine Grafikkarte haben. Wählen Sie SuperClonica für saubere Sprache in 31 Sprachen auf normalen Servern und Laptops, für fertige Figuren- und Sprecherstimmen und für große Mengen ohne Grafikkarte.