Eine Alternative zu Pocket TTS: 31 Sprachen, fertige Stimmen und eine gehostete API
Pocket TTS ist ein kleines offenes Text-to-Speech-Modell von Kyutai: rund 100 Millionen Parameter, Echtzeit auf einem normalen Laptop-Prozessor und Stimmklonen aus einer kurzen WAV-Aufnahme. Es spricht sechs Sprachen: Englisch, Französisch, Deutsch, Portugiesisch, Italienisch und Spanisch.
SuperClonica baut auf Supertonic 3 auf, einem Modell derselben Größenklasse mit 31 Sprachen, und ergänzt einen Katalog mit 190 Stimmen von Autoren, eine kostenlose Offline-Engine und eine gehostete API. Diese Anleitung vergleicht beide ehrlich und sagt, wann was passt.
Pocket TTS in Kürze
Laut Modellkarte hat Pocket TTS rund 100M Parameter, läuft auf einem MacBook-Air-M4-Prozessor mit zwei Kernen etwa 6-mal schneller als Echtzeit und liefert das erste Audiostück nach etwa 200 ms. Es klont eine Stimme aus einer übergebenen WAV-Datei; die Karte rät, die Aufnahme vorher zu säubern, weil ihre Qualität übernommen wird. Die Gewichte stehen unter CC-BY 4.0 und sind zugangsbeschränkt: Vor dem Download akzeptieren Sie die Bedingungen auf Hugging Face. Die Regeln verbieten, eine Stimme ohne ausdrückliche und rechtmäßige Einwilligung zu klonen.
Worin sich SuperClonica unterscheidet
Sprachen: Supertonic 3 spricht 31, darunter Russisch, Japanisch, Koreanisch, Arabisch, Hindi, Polnisch und Türkisch, die Pocket TTS nicht abdeckt; Chinesisch spricht keines von beiden.
Stimmen: Statt bei jeder Anfrage einen Clip zu klonen, sind SuperClonica-Stimmen trainierte Stildateien. Wählen Sie eine von 190 Katalogstimmen, hören Sie sie an und vertonen Sie online kostenlos einen Testsatz, oder trainieren Sie im Studio eine eigene Stimme aus einer Aufnahme.
Hosting: Neben der kostenlosen Offline-Engine betreibt die Sprach-API von SuperClonica die Stimmen für Sie, streamt Audio nach unseren Messungen ab etwa 300 ms und kostet 5 $ im Monat für bis zu 216 Stunden Audio, mit einem kostenlosen Schlüssel für eine Minute pro Tag.
Was wählen
Wählen Sie Pocket TTS, wenn Sie sofortiges Klonen aus wenigen Sekunden Audio in einer seiner sechs Sprachen brauchen und alles selbst betreiben möchten. Wählen Sie SuperClonica, wenn Sie mehr Sprachen, fertige Figuren- und Erzählerstimmen oder eine gehostete API mit Streaming ohne eigenen Server brauchen. Beide laufen auf der CPU, Sie können also beide auf Ihrem Rechner ausprobieren.