Una alternativa a Kitten TTS: Supertonic 3 en un procesador normal
Kitten TTS, de KittenML, es uno de los proyectos abiertos de texto a voz más populares, con licencia Apache 2.0. Tiene dos familias: modelos ONNX diminutos de 15 a 80 millones de parámetros con ocho voces que funcionan en CPU, y Kitten-TTS 2, un modelo de 1 bit con 1.700 millones de parámetros, 115 voces, clonación de voz con 5 a 30 segundos de audio, etiquetas de emoción y 20 idiomas.
SuperClonica ejecuta Supertonic 3, un modelo abierto de unos 99 millones de parámetros, en 31 idiomas en un procesador normal. Esta guía los compara con honestidad; no hemos medido Kitten TTS, así que aquí no hay cifras de velocidad ni calidad para él, solo datos de su repositorio.
Dónde destaca Kitten TTS
Kitten-TTS 2 clona una voz a partir de un clip corto sin ajuste fino, controla la expresión con etiquetas y habla chino, suajili y hebreo, que Supertonic 3 no habla. El modelo nano tiene solo 15 millones de parámetros, 25 MB en int8, lo bastante pequeño para dispositivos muy modestos. KittenML también ofrece una API gratuita de Kitten-TTS 2.
Lo que necesita cada uno
Según su README, Kitten-TTS 2 pide una GPU CUDA con unos 8 GB libres o una CPU con unos 6 GB de RAM, y unos 2 GB de disco. Supertonic 3 tiene unos 99 millones de parámetros; estimamos el motor SuperClonica entre 6,4 y 9,7 veces más rápido que el tiempo real en una CPU de escritorio de 8 núcleos. Instálalo con python -m pip install superclonica-cpu y ejecuta superclonica --text "Hola" --voice F1 --lang es --output hello.mp3.
Idiomas y voces
Supertonic 3 habla 31 idiomas, entre ellos polaco, checo, ucraniano, vietnamita e indonesio, y cada voz los habla todos. SuperClonica añade 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 Kitten TTS para clonar una voz desde un clip, etiquetas de emoción, chino o el modelo más pequeño posible. Elige SuperClonica para un modelo ligero de CPU en 31 idiomas con voces de personajes listas, voces entrenadas en el estudio y una API de voz con 3 minutos gratis al día.