COMPARAISON DES MODÈLES

Fish Audio et Fish Speech face à SuperClonica

Fish Audio conçoit certains des modèles de synthèse vocale ouverts les plus expressifs, et notre propre comparatif attribue à S2 Pro la meilleure note de qualité. C’est aussi un gros modèle pensé pour les GPU. SuperClonica prend le chemin inverse : un petit fichier de voix Supertonic 3 qui tourne vite sur un processeur ordinaire, hors ligne.

Si vous cherchez une alternative à Fish Audio ou à Fish Speech parce que vous n’avez pas de GPU ou que vous voulez intégrer la voix dans une application, lisez la suite. S’il vous faut un maximum d’expressivité ou du chinois, Fish Audio est sans doute le meilleur outil.

Écouter les voix Supertonic 3 Installer le moteur SuperClonica

Fish Audio, Fish Speech et S2 Pro : qui est qui

Fish Audio publie ses modèles ouverts dans un dépôt GitHub nommé fish-speech, et les premières versions portaient ce nom : Fish Speech 1.5, par exemple, couvre 13 langues sous licence CC-BY-NC-SA-4.0. Les modèles plus récents s’appellent Fish Audio S2 et S2 Pro.

S2 Pro, le modèle de notre tableau, repose sur une architecture double autorégressive : un modèle de 4 milliards de paramètres prédit le codebook principal, un modèle de 400 millions complète les neuf autres. Sa fiche annonce plus de 80 langues et des balises libres dans le texte, comme [whisper in small voice] ou [pitch up]. Le dépôt mentionne aussi Fish Audio Drama 3, un modèle plus récent et plus gros que notre tableau ne couvre pas encore.

Fish Audio S2 Pro contre SuperClonica : vitesse sur CPU

D’après notre estimation pour un processeur de bureau à 8 cœurs, S2 Pro a besoin de 4 à 10 secondes de calcul par seconde d’audio : une réplique de 10 secondes prend 40 à 100 secondes. SuperClonica la produit en 1,0 à 1,6 seconde environ.

C’est le chiffre le plus approximatif de notre tableau. Faute de benchmark CPU public, nous l’avons déduit du client GGUF s2.cpp et de l’architecture du modèle, en supposant une bande passante mémoire effective de 30 à 50 Go/s. Sur GPU, la situation change : Fish Audio annonce un RTF de 0,195 et environ 100 ms avant le premier son sur une seule NVIDIA H200.

Là où Fish Audio fait mieux

Pour une voix expressive, Fish Audio S2 Pro a de vrais atouts.

  • Qualité : 5 sur 5 dans notre tableau, contre 4,5 pour SuperClonica.
  • Langues : plus de 80, chinois compris. Supertonic 3 en compte 31, sans le chinois pour l’instant.
  • Cloner une voix sans entraînement : selon le dépôt fish-speech, 10 à 30 secondes de référence suffisent pour reproduire un timbre.
  • Contrôle des émotions : des balises libres dans le texte pour chuchoter, rire, appuyer un mot ou changer de hauteur.

Licences et usage commercial

Les poids de S2 Pro sont publiés sous la Fish Audio Research License : la recherche et l’usage non commercial sont gratuits, l’usage commercial exige une licence séparée de Fish Audio. Le code du dépôt et les autres poids relèvent de la Fish Audio Community License.

Supertonic 3 est publié sous OpenRAIL-M, une licence gratuite qui liste des usages interdits (se faire passer pour quelqu’un sans son accord, par exemple) plutôt qu’une clause non commerciale. Une voix achetée sur SuperClonica sert à vos propres projets et ne peut pas être revendue.

Fish Audio ou SuperClonica : comment choisir

SuperClonica prend l’avantage sur la vitesse CPU et la stabilité du timbre : 5 sur 5 dans les deux cas, contre 1 et 4 pour S2 Pro. Pour des heures de narration sur un portable, ou une voix générée sur la machine du joueur, cela pèse plus que la dernière demi-étoile de qualité.

  • Fish Audio S2 Pro si vous avez un bon GPU, s’il vous faut le chinois ou une langue plus rare, un clonage instantané à partir d’un court extrait ou des balises d’émotion.
  • SuperClonica si la voix doit tourner sur CPU, hors ligne, à vitesse prévisible ou dans une application que vous distribuez.