Supertonic vs SuperClonica: el mismo modelo, más rápido y limpio
Un mismo modelo, Supertonic 3, con las mismas voces, el mismo texto y la misma semilla. Sintetizamos frases cortas de chat en ruso, inglés y alemán con Supertonic original y con SuperClonica, y comparamos velocidad y sonido.
En resumen: SuperClonica es 1,7 veces más rápido en una tarjeta gráfica y 1,6 veces en un procesador, empieza a hablar a los 0,08 s en lugar de medio segundo, elimina el ruido de fondo en las pausas y corta muchos menos finales. Abajo están las mediciones, los casos en que el original es mejor y todas las grabaciones para que las escuches tú mismo.
Velocidad
Los dos motores corrieron en el mismo proceso y se turnaron en cada frase, invirtiendo el orden cada vez, así que la carga de fondo del ordenador los frenó por igual. Cada llamada recibió una semilla nueva, como en un chat donde cada frase es distinta. Ambos motores se crearon de antemano y se calentaron.
En la tarjeta gráfica la ganancia viene de los grafos CUDA: el modelo entero se graba una vez y luego se lanza con una sola orden. En el procesador los modelos se reescribieron para el cálculo multihilo. SuperClonica fue más rápido en las 10 frases en la tarjeta gráfica y en las 24 frases en el procesador.
| Supertonic | SuperClonica | |
|---|---|---|
| Tarjeta gráfica, mediana por frase | 202 ms | 117 ms |
| Tarjeta gráfica, las 10 frases seguidas | 2,03 s | 1,19 s |
| Procesador, mediana por frase | 855 ms | 530 ms |
| Procesador, 24 frases en 8 idiomas seguidas | 22,03 s | 14,39 s |
Sonido
El modelo es el mismo, así que la voz y la entonación coinciden. La diferencia está en lo que ocurre alrededor de las palabras: el silencio en los bordes, el ruido en las pausas y los sonidos sueltos que el modelo añade a veces.
El gráfico muestra una frase en una escala de tiempo común. El original deja medio segundo de silencio antes de la primera palabra y más de medio segundo después de la última; SuperClonica deja 0,08 y 0,2 s, así que la voz empieza antes. También se elimina el ruido de fondo en las pausas entre palabras.
| En las 10 frases de ejemplo | Supertonic | SuperClonica |
|---|---|---|
| Silencio antes de la primera palabra (mediana) | 0,50 s | 0,08 s |
| Silencio después de la última palabra (mediana) | 0,63 s | 0,20 s |
| Duración total de los 10 archivos | 37,6 s | 30,0 s |
| Fondo en las pausas entre palabras (mediana, respecto al pico) | −48 dB | −92 dB |
Lo que muestran nuestras pruebas con miles de generaciones
Diez frases son solo una muestra. Estos resultados salen de pruebas propias mucho más amplias.
- Sonidos sobrantes al final de la frase. Tras la última palabra el modelo a veces añade un clic, una respiración, un zumbido o una sílaba de más. En dos pruebas de 1800 y 1392 frases (12 y 18 idiomas, reconocimiento con Whisper) hubo 27 y 26 finales así. Tras la limpieza de SuperClonica quedaron 0 y 3.
- No se cortan palabras. La limpieza se contrasta con la salida bruta del modelo mediante un reconocedor de fonemas. En las últimas versiones son más de 25 000 generaciones en más de 30 idiomas, sin ningún corte confirmado de habla real.
- Menos tropiezos en textos largos. SuperClonica divide el texto en fragmentos de hasta 160 caracteres en pausas naturales; el original lo divide cada 300. Una palabra repetida apareció 1 vez en 1800 generaciones con fragmentos de hasta 160 caracteres, y en el 1–4% de los casos con fragmentos de 200–290 caracteres.
- Sin saturación. El modelo a veces genera picos por encima de la escala completa. Un limitador con anticipación reduce solo esos picos.
Menos finales cortados
El modelo a veces corta el último sonido a todo volumen, como si apagaran la grabación a mitad de palabra. Se oye como un clic o un final tragado. SuperClonica lleva esos finales a un desvanecimiento natural y conserva el propio sonido.
Usamos frases de chat con 4 voces estándar cada una, con la misma voz y semilla en los dos motores. Contamos como corte una caída de volumen de más de 25 dB en 2 ms al final del habla. Abajo hay tres ejemplos con el final de la frase ampliado; la línea discontinua marca el final del habla.
| Corte brusco al final de la frase | Supertonic | SuperClonica |
|---|---|---|
| Ruso, 312 audios | 37 · 11,9 % | 3 · 1,0 % |
| Inglés, 300 audios | 53 · 17,7 % | 6 · 2,0 % |
| Alemán, 132 audios | 14 · 10,6 % | 0 · 0,0 % |
| Total, 744 audios | 104 · 14,0 % | 9 · 1,2 % |
Números
El original pasa las cifras al modelo tal cual. El modelo lee bien los números pequeños, pero en algunos idiomas se equivoca con los grandes. SuperClonica pronuncia los números con palabras en 27 idiomas.
Los números se probaron con una frase que contenía 3, 25, 2024 y 150, dos semillas por idioma, reconocimiento con Whisper.
| Idioma | Supertonic | SuperClonica |
|---|---|---|
| es | «150» se volvió ininteligible con ambas semillas | correcto |
| fr | «150» suena como «105» con ambas semillas | correcto |
| de | con una semilla «150» se convirtió en «eine 50» | correcto |
| pl | con una semilla «2024» salió deformado | correcto |
| ru, uk, it | correcto | correcto |
Escúchalo tú mismo
Todas las frases de la medición. Bajo cada grabación está su envolvente de volumen, con el silencio antes y después del habla sombreado.
Cuándo es mejor Supertonic original
SuperClonica no gana en todo. Estas son las contrapartidas que conocemos.
- Arranque. Al iniciarse, SuperClonica comprueba los grafos CUDA en la tarjeta gráfica y reescribe los modelos para el procesador, así que tarda más en arrancar: 9,5 s frente a 1,2 s en la tarjeta gráfica y 4,0 s frente a 0,9 s en el procesador. Conviene crear el motor una vez y mantenerlo.
- Párrafos largos en la tarjeta gráfica. El texto se divide en fragmentos de hasta 160 caracteres, así que un párrafo largo puede salir algo más lento que con el original; en nuestra medición no ocurrió. A cambio, hay menos tropiezos.
- Números sin declinación. En ruso «в 2024 году» se lee con el número cardinal en lugar del ordinal, y los años en inglés suenan como números corrientes. El parámetro numbers=False pasa las cifras al modelo como hace el original.
Cómo medimos
Supertonic 1.3.1 (modelo supertonic-3) sin procesamiento frente a SuperClonica 0.6.23 con la configuración predeterminada. Ambos motores funcionaron a velocidad 1,05 con 8 pasos, y cada frase tuvo la misma voz y semilla en los dos. Tarjeta gráfica RTX 5070 Ti, ONNX Runtime GPU 1.26 (10 rondas). Procesador Ryzen 7 5800X, 4 hilos para ambos, 24 frases de chat en 8 idiomas (2 rondas).
El ordenador era de uso diario, con aplicaciones abiertas. En una máquina libre los milisegundos absolutos son menores, pero la proporción se mantiene. Las métricas de sonido proceden de una prueba aparte en la tarjeta gráfica; el silencio y el fondo se miden en tramos de 10 ms respecto al pico de la frase.
SuperClonica es un derivado independiente de Supertonic, no una versión oficial de Supertone. El modelo Supertonic 3 se distribuye con su propia licencia.