Una alternativa a GLM-TTS y Maya-1 que funciona en CPU
GLM-TTS y Maya-1 son dos modelos abiertos y expresivos de texto a voz basados en grandes modelos de lenguaje. GLM-TTS, con licencia MIT, clona una voz con 3 a 10 segundos de audio, controla la emoción con aprendizaje por refuerzo y está optimizado para texto mixto en chino e inglés. Maya-1 tiene unos 3.300 millones de parámetros y crea una voz a partir de una descripción escrita, con más de 20 emociones y estilos.
SuperClonica ejecuta Supertonic 3, unos 99 millones de parámetros, en 31 idiomas en un procesador normal. Esta guía los compara con datos de sus fichas; no hemos medido GLM-TTS ni Maya-1, así que no hay cifras de velocidad ni calidad para ellos.
GLM-TTS
Un sistema de dos etapas: un modelo de lenguaje basado en Llama convierte el texto en tokens de voz y luego un decodificador genera el audio. Clona a cualquier hablante con un fragmento de 3 a 10 segundos, transmite para apps interactivas y usa aprendizaje por refuerzo para una prosodia y emoción más naturales. Brilla con texto mixto en chino e inglés, bajo la permisiva licencia MIT.
Maya-1
En lugar de clonar o elegir un preajuste, describes la voz con palabras, como edad, timbre, acento y ritmo, y añades indicaciones expresivas en el texto. Su ficha indica unos 3.300 millones de parámetros y Apache 2.0 en los metadatos del repositorio, con notas sobre licencias de componentes que conviene leer antes del uso comercial.
Lo que SuperClonica hace distinto
Supertonic 3 tiene unos 99 millones de parámetros, lo bastante pequeño para una CPU normal; estimamos el motor entre 6,4 y 9,7 veces el tiempo real en un procesador de escritorio de 8 núcleos. Habla 31 idiomas y cada voz los habla todos. Instálalo con python -m pip install superclonica-cpu y ejecuta superclonica --text "Hola" --voice F1 --lang es --output hello.mp3.
Voces listas en lugar de indicaciones
En vez de clonar o describir una voz cada vez, SuperClonica ofrece unas 190 voces de catálogo, de narradores y locutores a personajes de juegos y anime, cada una un archivo pequeño que compras una vez; las diez voces estándar son gratis y de uso comercial. Cualquier página de voz genera gratis una frase de 30 a 100 caracteres.
Cuál elegir
Elige GLM-TTS para chino, clonación rápida y emoción, y Maya-1 para diseñar voces nuevas desde texto, si tienes GPU para modelos grandes. Elige SuperClonica para 31 idiomas en CPU, voces de personajes listas y una API de voz con 3 minutos gratis al día.