Eine Alternative zu StyleTTS 2 und Parler-TTS in 31 Sprachen
StyleTTS 2 und Parler-TTS sind zwei bekannte offene Text-to-Speech-Projekte. Das StyleTTS-2-Paper berichtet Bewertungen auf menschlichem Niveau bei englischen Datensätzen, und Parler-TTS von Hugging Face lässt Sie eine Stimme in Worten beschreiben. Beide sind vor allem Forschungscode: Das StyleTTS-2-Repository wurde zuletzt 2024 aktualisiert, Parler-TTS im Dezember 2024.
Die kostenlose SuperClonica-Engine ist ein pip-Paket, das auf einem normalen Prozessor läuft, 31 Sprachen spricht und mit einem Katalog fertiger Stimmen kommt. Dieser Leitfaden vergleicht ehrlich und sagt, wann StyleTTS 2 oder Parler-TTS die bessere Wahl ist.
StyleTTS 2 und Parler-TTS im Überblick
Für englische Forschung, Feintuning-Experimente oder in Worten beschriebene Stimmen sind beide ernsthafte Werkzeuge.
- StyleTTS 2: englische Modelle, trainiert auf LJSpeech und LibriTTS, MIT-lizenzierter Code und Stilübertragung von einem Referenzclip mit dem LibriTTS-Modell.
- Die vortrainierten Modelle haben eine Bedingung: Hörer informieren, dass die Sprache synthetisch ist, sofern Sie keine Erlaubnis für die Stimme haben. Die Inferenz stützt sich auf den GPL-lizenzierten Phonemizer espeak-ng.
- Parler-TTS: Mini mit 880 Millionen Parametern und Large mit 2,3 Milliarden auf Englisch, dazu Mini Multilingual v1.1 in acht europäischen Sprachen, alle unter Apache 2.0.
- Eine Parler-TTS-Stimme wird per Textbeschreibung von Geschlecht, Tempo und Tonhöhe festgelegt oder über einen von 34 benannten Sprechern.
Den Klang gratis vergleichen
Fügen Sie auf der Seite einer beliebigen Stimme einen Satz ein, den Sie mit StyleTTS 2 oder Parler-TTS vertont haben, 30 bis 100 Zeichen, wählen Sie die Sprache und klicken Sie auf die Schaltfläche zum Vertonen. In wenigen Sekunden vergleichen Sie mit Ihrem eigenen Text, ohne Konto.
Was SuperClonica anders macht
Sie 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 Russisch, Japanisch, Koreanisch, Türkisch, Hindi und Arabisch; Chinesisch ist nicht dabei.
- Fertige Stimmen: zehn Standardstimmen und mehr als 170 Katalogstimmen mit kostenlosen Demos.
- Jede Stimme ist eine JSON-Datei von etwa 0,3 MB und spricht alle Sprachen des Modells.
- Ein Befehl zur Installation, python -m pip install superclonica-cpu, oder ein Docker-Image mit HTTP-API.
Eine Stimme beschreiben oder trainieren
Parler-TTS bekommt bei jeder Anfrage eine neue Beschreibung, und StyleTTS 2 passt den Stil eines Referenzclips an. In SuperClonica wird eine Stimme einmal im Studio aus einer sauberen Aufnahme von 5 bis 10 Sekunden trainiert, auf einem Rechner mit NVIDIA-Grafikkarte, oder auf der Börse bei einem Autor bestellt, der sie trainiert. Danach läuft sie auf jedem Prozessor und in allen 31 Sprachen, mit einer Spur des Akzents der Originalaufnahme. Klonen Sie nur Stimmen, deren Inhaber zugestimmt haben.
Was Sie wählen sollten
Wählen Sie StyleTTS 2 für englische Forschung und Feintuning, Parler-TTS, wenn Sie eine Stimme in Worten beschreiben wollen, auf Englisch oder in einer seiner acht europäischen Sprachen. Wählen Sie SuperClonica für die übrigen Sprachen, für fertige Erzähler- und Figurenstimmen, für Tempo auf dem Prozessor und für eine Installation mit einem pip-Befehl oder einem Docker-Image.