Una alternativa a Dia, Orpheus y Sesame CSM que funciona en CPU
Dia, Orpheus TTS y Sesame CSM llevaron ideas de los grandes modelos de lenguaje a la voz: diálogos vivos, risas, etiquetas de emoción y streaming rápido. También comparten un requisito: una tarjeta gráfica NVIDIA, y en el caso de Dia, solo texto en inglés.
El motor gratuito SuperClonica ejecuta el modelo más pequeño Supertonic 3 en un procesador normal, 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 conversación expresiva en inglés con tarjeta gráfica, están entre los modelos abiertos más impresionantes.
- Dia, de 1.600 millones de parámetros, escribe diálogos completos desde un guion con etiquetas de hablante [S1] y [S2] y puede reír o toser; solo admite inglés y se ha probado en GPU.
- Orpheus TTS se basa en un modelo Llama de 3.000 millones de parámetros, acepta etiquetas de emoción y hace streaming con unos 200 ms de latencia; funciona con vLLM, en tarjeta gráfica.
- Sesame CSM, de 1.000 millones de parámetros, necesita una tarjeta gráfica con CUDA y acceso al modelo Llama 3.2 1B.
- Los tres usan la licencia Apache 2.0.
Compara el sonido gratis
En la página de cualquier voz, pega una frase que hayas generado con Dia, Orpheus o CSM, 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
Los textos largos se dividen en pausas naturales y se unen en un solo archivo, así que un capítulo o un guion entran en una sola llamada.
- Se instala con un comando: python -m pip install superclonica-cpu, o como servicio HTTP con la imagen Docker.
- Funciona en un procesador normal: en nuestras pruebas, una frase corta tardó 0,43 s con cuatro hilos de un Ryzen 7 5800X.
- 31 idiomas, entre ellos español, alemán, francés, ruso, japonés y coreano; el chino aún no está disponible.
- El texto se lee tal cual, y el mismo seed repite la misma toma.
Voces: prompts, presets y voces entrenadas
Dia mantiene un hablante con un prompt de audio o un seed fijo; Orpheus trae voces predefinidas; CSM toma audio de contexto. SuperClonica tiene diez voces de serie y más de 170 voces en el catálogo, cada una con demo gratis; tu propia voz se entrena una vez en el estudio de SuperClonica con una grabación limpia de 5 a 10 segundos de un locutor que haya aceptado, en un ordenador con tarjeta gráfica NVIDIA, o se encarga en la bolsa. Después funciona en cualquier procesador y en los 31 idiomas.
Cuál elegir
Elige Dia, Orpheus o CSM para conversación expresiva en inglés con risas y etiquetas de emoción, o para un agente de voz con streaming, si tienes tarjeta gráfica para cada petición. Elige SuperClonica para voz limpia en 31 idiomas en servidores y portátiles normales, para voces listas de personajes y narradores y para grandes volúmenes sin tarjeta gráfica.