ANLEITUNG

Eine Supertonic-3-API: in der Cloud oder auf Ihrem eigenen Server

Supertonic 3 ist ein offenes Text-to-Speech-Modell: klein, schnell auf einem gewöhnlichen Prozessor und in 31 Sprachen zu Hause. Es wird als Modelldateien veröffentlicht; um es aus einer App per HTTP aufzurufen, braucht man also einen Server, der es ausführt. Es gibt zwei Wege: eine gehostete API oder ein eigener Server.

SuperClonica bietet beides. Die Sprach-API betreibt Supertonic-3-Stimmen auf unseren Workern, und die kostenlose Engine führt dasselbe Modell auf Ihrem Rechner aus, in unseren Messungen etwa 1,6-mal schneller als der Originalcode auf dem Prozessor und 1,7-mal auf der Grafikkarte.

Kostenlosen API-Schlüssel holen Supertonic-3-Stimmen anhören Oder die Engine selbst betreiben

Weg 1: die gehostete API

Melden Sie sich mit Google oder GitHub bei SuperClonica an, erstellen Sie im API-Bereich Ihres Arbeitsbereichs einen Schlüssel und senden Sie den Text:

curl -o hello.ogg https://superclonica.com/api/v1/speech -H "Authorization: Bearer $SUPERCLONICA_KEY" -H "Content-Type: application/json" -d '{"text": "Hallo von Supertonic 3!", "voice": "F1", "language": "de"}'

Die Antwort ist das Audio selbst, standardmäßig ogg, auf Wunsch mp3 oder wav; mit "stream": true spielt es in unseren Messungen ab 300 ms, egal wie lang der Text ist.

  • Kostenlos: eine Minute Audio pro Tag.
  • Start, 5 $ im Monat: bei pausenloser Nutzung bis zu 216 Stunden im Monat und alle Katalogstimmen.
  • Stimmen: die zehn Standardstimmen, Katalogstimmen verschiedener Autoren und Ihre eigenen trainierten Stimmen.
  • Bis zu 20 000 Zeichen pro Anfrage; lange Texte werden in Stücken auf mehreren Workern zugleich vertont.

Weg 2: Ihr eigener Server

Die Engine von SuperClonica läuft als kostenloser Docker-Server mit eigener HTTP-API, ohne Schlüssel und ohne Kontingent:

docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu

Beim ersten Start wird das Modell heruntergeladen; danach antwortet POST /synthesize mit WAV. Einstellungen, Schlüssel und Produktionsbetrieb beschreibt der Leitfaden zur Text-to-Speech-API in Docker.

Was Sie wählen sollten

Wählen Sie die gehostete API, wenn Sie in Minuten starten wollen, keinen Server und keine GPU haben, Streaming für lange Texte brauchen oder Katalogstimmen ohne Dateiverwaltung nutzen wollen. Wählen Sie den eigenen Server, wenn Texte Ihre Infrastruktur nicht verlassen dürfen, wenn Sie so viel vertonen, dass eigene Hardware günstiger ist, oder wenn Sie offline arbeiten müssen. Stimmen und Anfrageform ähneln sich, ein späterer Wechsel ist also eine kleine Änderung.

Grenzen von Supertonic 3

Supertonic 3 spricht 31 Sprachen, aber noch kein Chinesisch. Die Lizenz OpenRAIL-M erlaubt kommerzielle Nutzung im Rahmen ihrer Einschränkungen, darunter Regeln gegen Täuschung und zu Stimmen realer Personen. Neue Stimmen sind Stildateien, keine Sofort-Klone: Bei SuperClonica trainieren Sie eine aus Ihrer eigenen Aufnahme oder wählen eine im Katalog.