Una alternativa a Soprano, Kani TTS y Marvis TTS
Una nueva ola de modelos abiertos y pequeños de texto a voz busca voz en tiempo real en hardware modesto. Soprano 1.1 tiene 80 millones de parámetros y solo habla inglés; Kani TTS 370M habla seis idiomas, chino incluido; Marvis TTS 250M transmite voz en inglés, francés y alemán y clona una voz a partir de audio de referencia.
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 los hemos medido, así que las cifras de velocidad son sus propias afirmaciones.
Soprano 1.1
Un modelo Apache 2.0 de 80 millones de parámetros que afirma hasta 2000 veces el tiempo real en GPU y 20 en CPU, transmite con menos de 250 ms de latencia en CPU y necesita menos de 1 GB de memoria. Su ficha dice que solo habla inglés, no clona voces y se entrenó con unas 1.000 horas de audio, así que puede pronunciar mal palabras raras.
Kani TTS 370M
Un modelo de 370 millones de parámetros a 22 kHz para inglés, alemán, chino, coreano, árabe y español, que necesita unos 2 GB de memoria de GPU. Revisa su licencia antes del uso comercial: los metadatos de la ficha indican la licencia LFM 1.0 y su texto dice Apache 2.0.
Marvis TTS 250M
Un modelo conversacional Apache 2.0 con una base de 250M y un decodificador de audio de 60M, pensado para transmitir en tiempo real en dispositivos como iPhone y iPad. Está optimizado para inglés, francés y alemán y clona una voz a partir de audio de referencia.
Dónde encaja SuperClonica
Supertonic 3 habla 31 idiomas y cada voz los habla todos, con unas 190 voces de catálogo de narradores a personajes de juegos y anime, compradas una vez; las diez voces estándar son gratis y de uso comercial. Estimamos el motor entre 6,4 y 9,7 veces 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; cualquier página de voz también genera una frase gratis.
Cuál elegir
Soprano para el inglés más rápido en hardware mínimo, Kani para chino o coreano con GPU, Marvis para streaming y clonación en tres idiomas europeos. SuperClonica para 31 idiomas en CPU, voces de personajes listas, voces entrenadas en su estudio y una API con 3 minutos gratis al día.