Eine XTTS-v2-Alternative: was sich nach Coqui geändert hat
XTTS v2 von Coqui ist noch immer eines der bekanntesten offenen Sprachmodelle: Es klont eine Stimme aus einem 6-Sekunden-Clip und spricht 17 Sprachen. Zwei Dinge lassen Leute nach einer Alternative suchen: Die Gewichte stehen unter der Coqui Public Model License, die nur nichtkommerzielle Nutzung erlaubt, und die Firma, die eine kommerzielle Lizenz hätte verkaufen können, wurde um den Jahreswechsel 2024 geschlossen.
Die kostenlose SuperClonica-Engine betreibt das Modell Supertonic 3 in 31 Sprachen auf einem normalen Prozessor, und ihre Standardstimmen dürfen kommerziell genutzt werden. Diese Anleitung vergleicht beide ehrlich und sagt, wann XTTS v2 die bessere Wahl bleibt.
XTTS v2 in Kürze
XTTS v2 ahmt eine Stimme beim Generieren aus einer kurzen Probe nach, jede Aufnahme wird also in Sekunden zur Stimme. Es kann Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch, Polnisch, Türkisch, Russisch, Niederländisch, Tschechisch, Arabisch, Chinesisch, Japanisch, Ungarisch, Koreanisch und Hindi und liefert Audio mit 24 kHz. Der Code lebt im Community-Fork idiap/coqui-ai-TTS weiter, als Paket coqui-tts unter MPL 2.0, doch diese Lizenz gilt für den Code, nicht für das Modell: Die CPML erlaubt die Gewichte und das erzeugte Audio nur, wenn Sie keine direkte oder indirekte Bezahlung erhalten. Am besten läuft es auf einer NVIDIA-Grafikkarte.
Den Klang gratis vergleichen
Fügen Sie auf der Seite einer beliebigen Katalogstimme einen Satz ein, den Sie mit XTTS v2 vertont haben, 30 bis 100 Zeichen, wählen Sie die Sprache und klicken Sie auf Vertonen. In wenigen Sekunden können Sie vergleichen, ohne Konto.
Was SuperClonica anders macht
Die Vertonung läuft auf einem normalen Prozessor: In unseren Tests dauerte ein kurzer Satz 0,43 s auf vier Threads eines Ryzen 7 5800X, eine Grafikkarte macht es nur schneller. Die Engine spricht 31 Sprachen, darunter Schwedisch, Griechisch, Ukrainisch, Vietnamesisch und Indonesisch, die XTTS v2 fehlen, aber noch kein Chinesisch. Die zehn Standardstimmen, M1 bis M5 und F1 bis F5, dürfen unter der Modelllizenz OpenRAIL-M kommerziell genutzt werden. Installation mit python -m pip install superclonica-cpu, oder dieselben Stimmen über die SuperClonica-API, ohne selbst etwas zu betreiben.
Ihre eigene Stimme
XTTS v2 klont bei jedem Sprechen aus einer Probe. 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 bei einem Autor bestellt, der sie trainiert. Danach ist sie eine kleine Datei, die offline auf jedem Prozessor spricht. Klonen Sie nur Ihre eigene Stimme oder eine, deren Sprecher zugestimmt hat; mit Einwilligung trainierte Stimmen dürfen kommerziell genutzt werden, Figurenstimmen nur für Fan- und Parodieprojekte.
Was Sie wählen sollten
Wählen Sie XTTS v2 für Hobby- oder Forschungsprojekte mit sofortigem Klonen aus einer Probe, für Chinesisch und wenn Sie eine NVIDIA-Grafikkarte haben. Wählen Sie SuperClonica für alles, wofür Sie bezahlt werden, für Sprachen, die XTTS v2 fehlen, für fertige Figuren- und Sprecherstimmen und für einfachen Betrieb auf normalen Servern. Nichts hindert Sie, beide zuerst am selben Text zu testen.