OuteTTS, Llasa, MegaTTS3 y MaskGCT: una comparación honesta
OuteTTS, Llasa, MegaTTS3 y MaskGCT son modelos abiertos de investigación que clonan una voz a partir de una grabación corta, y suelen aparecer juntos cuando alguien busca una alternativa autoalojada a las voces en la nube. Antes de construir sobre uno, importan sobre todo dos cosas: qué idiomas habla y qué permite su licencia.
Esta guía resume sus fichas y explica cuándo SuperClonica, basado en el pequeño modelo Supertonic 3, es la opción más sencilla.
OuteTTS 1.0
OuteTTS 1.0 1B se basa en Llama 3.2 1B y habla 23 idiomas, 12 de ellos con entrenamiento fuerte, y clona una voz con unos 10 segundos de audio; una versión GGUF funciona con llama.cpp. Su licencia combina la Llama 3.2 Community License con CC-BY-NC-SA 4.0 para lo añadido por OuteAI, así que el uso comercial está restringido.
Llasa
Llasa existe en tamaños 1B, 3B y 8B basados en modelos Llama, se entrenó con 250.000 horas de voz en chino e inglés y clona a partir de una muestra a 16 kHz. Habla chino e inglés, y su licencia CC BY-NC 4.0 prohíbe el uso comercial libre.
MegaTTS3 y MaskGCT
MegaTTS3, de ByteDance, es Apache-2.0 y habla inglés y chino, pero su codificador WaveVAE no se ha publicado, así que solo clona a partir de latentes ya extraídos, y la ficha dice que está pensado sobre todo para fines académicos; en CPU es lento. MaskGCT, de Amphion, es un modelo zero-shot totalmente no autorregresivo entrenado con unas 100.000 horas de voz en inglés y chino, con licencia CC-BY-NC 4.0.
Cuándo encaja mejor SuperClonica
Si necesitas uso comercial, más idiomas o un ordenador sin GPU, SuperClonica es más sencillo: Supertonic 3 funciona en un procesador normal, cada voz habla 31 idiomas, las diez voces estándar son gratis con OpenRAIL-M, las del catálogo cuestan $2.99 una vez y el estudio entrena tu propia voz con una grabación de 5 a 10 segundos. Prueba cualquier voz gratis en su página con 30 a 100 caracteres o instala el motor con python -m pip install superclonica-cpu.