OmniVoice o SuperClonica: más idiomas o más velocidad
OmniVoice, del proyecto k2-fsa, es un modelo de texto a voz zero-shot con una cobertura de idiomas enorme: su documentación enumera 646. Clona una voz con unos segundos de audio y puede diseñar una a partir de una lista de atributos. SuperClonica cubre muchos menos idiomas, 31, pero funciona rápido en una CPU normal y mantiene el timbre estable de una frase a otra.
Esto es lo que los diferencia y cómo elegir.
Lo que OmniVoice hace bien
OmniVoice usa una arquitectura al estilo de un modelo de lenguaje de difusión, con Qwen3-0.6B como modelo base.
- Idiomas: 646 en la lista oficial y 581 000 horas de datos de entrenamiento.
- Clonación de voz a partir de un clip de referencia de 3–10 segundos con su transcripción, sin entrenamiento.
- Diseño de voz por atributos: género, edad, tono, acento o susurro. Los autores advierten que este modo se entrenó solo con datos en chino e inglés y puede ser inestable en algunos idiomas con pocos recursos.
- Velocidad en GPU: los autores indican un RTF de hasta 0,025, es decir, 40 veces más rápido que el tiempo real.
- Hardware: compatible con GPU NVIDIA, Apple Silicon e Intel Arc.
OmniVoice en CPU: nuestra estimación de velocidad
En un procesador de sobremesa de 8 núcleos estimamos que OmniVoice va de 2 a 5 veces más lento que el tiempo real: una frase de 10 segundos tarda entre 20 y 50 segundos. SuperClonica la resuelve en unos 1,0–1,6 segundos, de 6,4 a 9,7 veces más rápido que el tiempo real.
Partimos de omnivoice-server, un servidor HTTP para OmniVoice que indica un RTF de 4,92 en CPU con 32 pasos, sin decir qué procesador usó. Suponemos hasta 2,5 veces más velocidad en una CPU de sobremesa rápida. Como todas las velocidades de nuestra tabla, es una estimación, no una medición.
Calidad y estabilidad del timbre
En nuestra tabla, OmniVoice y SuperClonica tienen la misma nota de calidad: 4,5 sobre 5. La diferencia está en otra parte: rendimiento en CPU (2 frente a 5) y estabilidad del timbre (4 frente a 5). Un timbre estable importa cuando un mismo personaje lee cientos de frases, como en videojuegos y audiolibros.
La documentación de OmniVoice apunta en la misma dirección: la clonación es su modo más estable, y una referencia larga ralentiza la generación y puede empeorar el resultado.
Licencia
El código de OmniVoice está bajo Apache 2.0, pero su ficha indica que el modelo preentrenado tiene licencia CC-BY-NC por sus datos de entrenamiento. Con las condiciones por defecto, eso descarta el uso comercial de los pesos oficiales.
Supertonic 3 usa OpenRAIL-M, una licencia gratuita con una lista de usos prohibidos en lugar de una cláusula no comercial. Las voces compradas en SuperClonica son para tus propios proyectos y no se pueden revender.
¿OmniVoice o SuperClonica para pasar texto a voz?
Elige primero por idioma y después por hardware.
- OmniVoice: tu idioma no está entre los 31 de Supertonic 3, necesitas chino o clonación instantánea y tienes GPU.
- SuperClonica: la voz tiene que funcionar en CPU, en el navegador o en una app, sin conexión y rápido, con la misma voz en miles de frases.