Eine Kitten-TTS-Alternative: Supertonic 3 auf einer normalen CPU
Kitten TTS von KittenML ist eines der beliebtesten offenen Sprachsynthese-Projekte, unter Apache 2.0. Es gibt zwei Familien: winzige ONNX-Modelle mit 15 bis 80 Millionen Parametern und acht Stimmen, die auf der CPU laufen, und Kitten-TTS 2, ein 1-Bit-Modell mit 1,7 Milliarden Parametern, 115 Stimmen, Stimmklonen aus 5 bis 30 Sekunden Audio, Emotions-Tags und 20 Sprachen.
SuperClonica führt Supertonic 3 aus, ein offenes Modell mit rund 99 Millionen Parametern, in 31 Sprachen auf einem normalen Prozessor. Dieser Ratgeber vergleicht ehrlich; Kitten TTS haben wir nicht gemessen, daher gibt es hier keine Tempo- oder Qualitätswerte dafür, nur Fakten aus seinem Repository.
Wo Kitten TTS stark ist
Kitten-TTS 2 klont eine Stimme aus einem kurzen Clip ohne Feintuning, steuert den Ausdruck per Tags und spricht Chinesisch, Suaheli und Hebräisch, die Supertonic 3 nicht kann. Das nano-Modell hat nur 15 Millionen Parameter, 25 MB in int8, klein genug für sehr schwache Geräte. KittenML bietet zudem eine kostenlose Kitten-TTS-2-API.
Was beide brauchen
Laut README will Kitten-TTS 2 eine CUDA-GPU mit etwa 8 GB frei oder eine CPU mit etwa 6 GB RAM und rund 2 GB Speicherplatz. Supertonic 3 hat rund 99 Millionen Parameter; wir schätzen die SuperClonica-Engine auf 6,4- bis 9,7-fache Echtzeit auf einer Desktop-CPU mit 8 Kernen. Installieren mit python -m pip install superclonica-cpu und superclonica --text "Hallo" --voice F1 --lang de --output hello.mp3 ausführen.
Sprachen und Stimmen
Supertonic 3 spricht 31 Sprachen, darunter Polnisch, Tschechisch, Ukrainisch, Vietnamesisch und Indonesisch, und jede Stimme spricht alle. SuperClonica ergänzt rund 190 Katalogstimmen, von Erzählern und Ansagern bis zu Spiel- und Animefiguren, jede eine kleine Datei, einmal gekauft; die zehn Standardstimmen sind kostenlos und kommerziell nutzbar. Jede Stimmseite spricht gratis einen Satz mit 30 bis 100 Zeichen.
Was Sie wählen sollten
Kitten TTS für Stimmklonen aus einem Clip, Emotions-Tags, Chinesisch oder das kleinstmögliche Modell. SuperClonica für ein leichtes CPU-Modell in 31 Sprachen mit fertigen Figurenstimmen, im Studio trainierten Stimmen und eine Sprach-API mit 3 Gratis-Minuten pro Tag.