Una alternativa a XTTS v2: qué cambió tras Coqui y qué usar
XTTS v2 de Coqui sigue siendo uno de los modelos de voz abiertos más conocidos: clona una voz con un clip de 6 segundos y habla 17 idiomas. Dos cosas llevan a buscar una alternativa: sus pesos están bajo la Coqui Public Model License, que solo permite uso no comercial, y la empresa que podía vender una licencia comercial cerró a finales de 2023 y principios de 2024.
El motor gratuito de SuperClonica ejecuta el modelo Supertonic 3 en 31 idiomas en un procesador normal, y sus voces de serie se pueden usar comercialmente. Esta guía compara ambos con honestidad y dice cuándo XTTS v2 sigue siendo mejor opción.
XTTS v2 en resumen
XTTS v2 imita una voz al generar a partir de una muestra corta, así que cualquier grabación se vuelve una voz en segundos. Cubre inglés, español, francés, alemán, italiano, portugués, polaco, turco, ruso, neerlandés, checo, árabe, chino, japonés, húngaro, coreano e hindi, y da audio a 24 kHz. El código sigue en el fork comunitario idiap/coqui-ai-TTS, instalado como coqui-tts con licencia MPL 2.0, pero esa licencia cubre el código, no el modelo: la CPML permite los pesos y el audio que producen solo si no recibes ningún pago directo o indirecto. Funciona mejor con una tarjeta gráfica NVIDIA.
Compara el sonido gratis
En la página de cualquier voz del catálogo, pega una frase que hayas generado con XTTS v2, de 30 a 100 caracteres, elige el idioma y pulsa Generar. En unos segundos puedes comparar, sin cuenta.
Qué hace distinto SuperClonica
La voz se genera en un procesador normal: en nuestras pruebas una frase corta tardó 0,43 s en cuatro hilos de un Ryzen 7 5800X, y una tarjeta gráfica solo lo acelera. Habla 31 idiomas, entre ellos sueco, griego, ucraniano, vietnamita e indonesio, que XTTS v2 no tiene, pero aún no chino. Las diez voces de serie, de M1 a M5 y de F1 a F5, se pueden usar comercialmente bajo la licencia del modelo OpenRAIL-M. Instálalo con python -m pip install superclonica-cpu, o usa las mismas voces por la API de SuperClonica sin ejecutar nada tú.
Tu propia voz
XTTS v2 clona a partir de una muestra cada vez que habla. En SuperClonica una voz se entrena una vez en el estudio con una grabación limpia de 5 a 10 segundos, en un ordenador con tarjeta gráfica NVIDIA, o se encarga a un autor que la entrena. Después es un archivo pequeño que habla sin conexión en cualquier procesador. Clona solo tu propia voz o la de alguien que haya dado su consentimiento; las voces entrenadas con consentimiento se pueden usar comercialmente, las de personajes solo en proyectos de fans y parodia.
Cuál elegir
Elige XTTS v2 para un proyecto personal o de investigación que necesite clonación instantánea desde una muestra, para chino y si tienes una tarjeta gráfica NVIDIA. Elige SuperClonica para todo lo que te pagan, para idiomas que XTTS v2 no tiene, para voces listas de personajes y narradores y para desplegar fácilmente en servidores normales. Nada te impide probar ambos primero con el mismo texto.