ANLEITUNG

Eine Offline-Alternative zu Google Cloud Text-to-Speech

Google Cloud Text-to-Speech, Amazon Polly und Azure AI Speech sind Cloud-APIs: Jede Anfrage schickt Ihren Text an den Anbieter, Nutzung über ein Gratiskontingent hinaus wird pro Zeichen abgerechnet, und Sie brauchen Konto, Schlüssel und Internet. SuperClonica bietet denselben Baustein, der auf Ihrem eigenen Rechner läuft.

Diese Seite vergleicht beide Ansätze ehrlich, sagt, wann eine Cloud-API die bessere Wahl ist, und zeigt, wie Sie einen Cloud-Aufruf durch einen lokalen ersetzen.

Stimmen ansehen SuperClonica-Engine installieren

Cloud-API oder eigene Stimme

Cloud-APIs sind leichter zu starten und skalieren für jede Last; eine lokale Engine tauscht das gegen Datenschutz und feste Kosten.

  • Cloud-TTS: verwaltete Server, viele Sprachen und Stimmen, Abrechnung nach Nutzung, Ihr Text geht an den Anbieter.
  • SuperClonica: ein Docker-Image mit HTTP-Endpunkt, eine Python-Bibliothek und ein Kommandozeilenwerkzeug, alles lokal.
  • Nach dem einmaligen Download des Modells, etwa 385 MB, braucht der Server kein Internet.
  • Stimmen sind JSON-Dateien: die zehn eingebauten, Katalogstimmen oder eine aus Ihrer eigenen Aufnahme trainierte Stimme.

Wann eine Cloud-API die bessere Wahl ist

Wählen Sie eine Cloud-API, wenn Sie Chinesisch oder eine sehr lange Liste von Sprachen und regionalen Varianten brauchen, SSML-Steuerung, verwaltetes Skalieren mit Servicegarantien oder einfach keinen Server pflegen wollen. SuperClonica spricht 31 Sprachen, hat kein SSML und läuft auf Hardware, die Sie verwalten.

Wann SuperClonica besser passt

In unseren Tests dauerte ein kurzer Satz 0,12 s auf einer RTX 5070 Ti und 0,43 s auf vier Threads eines Ryzen 7 5800X.

  • Ihre Texte sind vertraulich: medizinische Notizen, interne Dokumente, unveröffentlichte Spieldialoge.
  • Sie müssen offline oder in einem geschlossenen Netz arbeiten.
  • Ihr Volumen ist groß oder unvorhersehbar, und eine Abrechnung pro Zeichen würde mitwachsen.
  • Sie wollen Figurenstimmen, eine Markenstimme aus Ihrem eigenen Sprecher und dieselbe Stimme in allen 31 Sprachen.

Den API-Aufruf ersetzen

Starten Sie den Server auf jedem Prozessor: docker run -d --name tts -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu. Sobald GET http://localhost:8000/health antwortet, senden Sie eine Anfrage: curl -X POST http://localhost:8000/synthesize -H "Content-Type: application/json" -d '{"text": "Hallo von meinem eigenen Server!", "voice": "F1", "lang": "de"}' -o hello.wav. POST /synthesize nimmt text, voice, lang, seed und normalize entgegen und antwortet mit einer 16-Bit-Mono-WAV-Datei. Setzen Sie SUPERCLONICA_API_KEY, um einen Authorization-Header zu verlangen, und betreiben Sie den Server hinter HTTPS oder in einem privaten Netz. Eine eigene Stimme geht als JSON-Objekt in die Anfrage.

Kosten und Lizenzen

Die SuperClonica-Engine und das Docker-Image stehen unter der Apache-Lizenz 2.0. Das Modell Supertonic 3 steht unter OpenRAIL-M, einer gebührenfreien Lizenz, die kommerzielle Nutzung im Rahmen ihrer Liste verbotener Verwendungen erlaubt. Die eingebauten Stimmen und mehrere Katalogstimmen sind kostenlos; andere kaufen Sie einmal. Prüfen Sie die aktuellen Preise der Cloud-Anbieter auf deren eigenen Websites, bevor Sie vergleichen.