Una alternativa a CosyVoice, IndexTTS y Spark-TTS
CosyVoice, IndexTTS y Spark-TTS están entre los modelos de voz abiertos más potentes basados en ideas de modelos de lenguaje: copian una voz a partir de un solo fragmento, siguen instrucciones de emoción y manejan el chino de maravilla. Son modelos grandes que suelen ejecutarse en tarjetas gráficas NVIDIA, y sus listas de idiomas son cortas.
El motor gratuito SuperClonica ejecuta el modelo más pequeño Supertonic 3 en un procesador normal y en 31 idiomas, con un catálogo de voces listas. Esta guía los compara con honestidad y dice cuándo uno de los tres es mejor opción.
Lo que hacen bien los tres
Para chino, sus dialectos y la clonación instantánea desde un fragmento, son herramientas excelentes.
- Fun-CosyVoice 3.0 cubre 9 idiomas, entre ellos chino, inglés, japonés, coreano, alemán, español, francés, italiano y ruso, más de 18 dialectos chinos, y sigue instrucciones de emoción y velocidad.
- IndexTTS-2.5 clona una voz a partir de un fragmento de referencia en chino, inglés, japonés, español y árabe, con control fino de la emoción.
- Spark-TTS habla chino e inglés y clona voces entre ambos.
- Las licencias varían: CosyVoice es Apache 2.0 e IndexTTS usa el bilibili Model Use License Agreement; revisa cada modelo antes de un uso comercial.
Compara el sonido gratis
En la página de cualquier voz, pega una frase que hayas generado con uno de ellos, de 30 a 100 caracteres, elige el idioma y pulsa el botón para generarla. En unos segundos puedes comparar, sin cuenta.
Qué cambia con SuperClonica
El texto se lee tal cual y el mismo seed repite la misma toma, lo que mantiene coherentes los proyectos largos.
- 31 idiomas, entre ellos portugués, polaco, neerlandés, turco, ucraniano, hindi, indonesio y vietnamita; el chino no está entre ellos.
- Funciona en un procesador normal: en nuestras pruebas, una frase corta tardó 0,43 s con cuatro hilos de un Ryzen 7 5800X.
- Voces listas: diez voces de serie y más de 170 voces del catálogo con demo gratis.
- Se instala con un comando: python -m pip install superclonica-cpu, o con una imagen Docker con API HTTP.
Copiar una voz o entrenarla
Los tres copian una voz a partir de un fragmento en cada generación. En SuperClonica, una voz se entrena una vez en el estudio con una grabación limpia de 5 a 10 segundos, en un ordenador con tarjeta gráfica NVIDIA, o se encarga en la bolsa a un autor que la entrena. Después funciona en cualquier procesador y en los 31 idiomas, con un rastro del acento de la grabación original. Clona solo voces cuyos dueños hayan aceptado.
Cuál elegir
Elige CosyVoice, IndexTTS o Spark-TTS para chino y sus dialectos, para clonar al instante desde un fragmento y para instrucciones de emoción, si tienes tarjeta gráfica. Elige SuperClonica para los muchos idiomas que no cubren, para voces listas de personajes y narradores y para generar voz en volumen en servidores y portátiles normales.