COMPARACIÓN DE MODELOS

Fish Audio y Fish Speech frente a SuperClonica

Fish Audio desarrolla algunos de los modelos abiertos de texto a voz más expresivos, y en nuestra propia comparativa S2 Pro tiene la mejor nota de calidad. También es un modelo grande pensado para GPU. SuperClonica va en dirección contraria: un archivo de voz pequeño de Supertonic 3 que funciona rápido y sin conexión en un procesador normal.

Si buscas una alternativa a Fish Audio o a Fish Speech porque no tienes GPU o quieres meter la voz dentro de una app, sigue leyendo. Si necesitas la máxima expresividad o chino, Fish Audio probablemente sea mejor herramienta.

Escuchar voces de Supertonic 3 Instalar el motor SuperClonica

Fish Audio, Fish Speech y S2 Pro: qué es cada cosa

Fish Audio publica sus modelos abiertos en un repositorio de GitHub llamado fish-speech, y las primeras versiones llevaban ese nombre: Fish Speech 1.5, por ejemplo, cubre 13 idiomas con licencia CC-BY-NC-SA-4.0. Los modelos más nuevos se llaman Fish Audio S2 y S2 Pro.

S2 Pro, el modelo de nuestra tabla, usa un diseño doble autorregresivo: un modelo de 4000 millones de parámetros predice el codebook principal y otro de 400 millones completa los nueve restantes. Su ficha indica más de 80 idiomas y etiquetas libres dentro del texto, como [whisper in small voice] o [pitch up]. El repositorio ya incluye también Fish Audio Drama 3, un modelo más nuevo y más grande que nuestra tabla todavía no cubre.

Fish Audio S2 Pro frente a SuperClonica: velocidad en CPU

Según nuestra estimación para un procesador de sobremesa de 8 núcleos, S2 Pro necesita de 4 a 10 segundos de cálculo por cada segundo de audio: una frase de 10 segundos tarda entre 40 y 100 segundos. SuperClonica la genera en unos 1,0–1,6 segundos.

Es la cifra más aproximada de nuestra tabla. No hay benchmark público en CPU, así que la calculamos a partir del cliente GGUF s2.cpp y de la arquitectura del modelo, suponiendo un ancho de banda efectivo de memoria de 30–50 GB/s. En GPU la cosa cambia: Fish Audio indica un RTF de 0,195 y unos 100 ms hasta el primer audio en una sola NVIDIA H200.

En qué gana Fish Audio

Para voz expresiva, Fish Audio S2 Pro tiene ventajas claras.

  • Calidad: 5 sobre 5 en nuestra tabla, frente a 4,5 de SuperClonica.
  • Idiomas: más de 80, chino incluido. Supertonic 3 tiene 31 y todavía no habla chino.
  • Clonar voz sin entrenar: según el repositorio fish-speech, bastan 10–30 segundos de referencia para reproducir un timbre.
  • Control de emociones: etiquetas libres en el texto para susurrar, reír, enfatizar o cambiar el tono.

Licencias y uso comercial

Los pesos de S2 Pro se publican con la Fish Audio Research License: la investigación y el uso no comercial son gratuitos, y el uso comercial requiere una licencia aparte de Fish Audio. El código del repositorio y el resto de pesos están bajo la Fish Audio Community License.

Supertonic 3 se publica con OpenRAIL-M, una licencia gratuita con una lista de usos prohibidos (por ejemplo, hacerse pasar por otra persona sin su consentimiento) en lugar de una cláusula no comercial. Una voz comprada en SuperClonica es para tus propios proyectos y no se puede revender.

Fish Audio o SuperClonica: cómo elegir

SuperClonica gana en velocidad en CPU y estabilidad del timbre: 5 sobre 5 en ambos, frente a 1 y 4 de S2 Pro. Para horas de narración en un portátil, o voz generada en el equipo del jugador, eso pesa más que la última media estrella de calidad.

  • Fish Audio S2 Pro si tienes una buena GPU, necesitas chino o un idioma menos común, quieres clonar al instante desde un clip corto o usas etiquetas de emoción.
  • SuperClonica si la voz tiene que funcionar en CPU, sin conexión, con velocidad predecible o dentro de una app que distribuyes.