COMPARAISON DES MODÈLES

OmniVoice ou SuperClonica : plus de langues ou plus de vitesse

OmniVoice, issu du projet k2-fsa, est un modèle de synthèse vocale zero-shot à la couverture linguistique très large : sa documentation recense 646 langues. Il clone une voix à partir de quelques secondes d’audio et sait en créer une à partir d’une liste d’attributs. SuperClonica couvre bien moins de langues, 31, mais tourne vite sur un CPU ordinaire et garde un timbre stable d’une réplique à l’autre.

Voici ce qui les distingue et comment choisir.

Écouter des voix qui tournent sur CPU Configurer le moteur SuperClonica

Les points forts d’OmniVoice

OmniVoice repose sur une architecture de type modèle de langage à diffusion, avec Qwen3-0.6B comme modèle de base.

  • Langues : 646 dans la liste officielle, 581 000 heures de données d’entraînement.
  • Clonage de voix à partir d’un extrait de référence de 3 à 10 secondes et de sa transcription, sans entraînement.
  • Design de voix par attributs : genre, âge, hauteur, accent, chuchotement. Les auteurs précisent que ce mode a été entraîné uniquement sur des données chinoises et anglaises et peut être instable dans certaines langues peu dotées.
  • Vitesse sur GPU : les auteurs annoncent un RTF descendant à 0,025, soit 40 fois plus rapide que le temps réel.
  • Matériel : GPU NVIDIA, Apple Silicon et Intel Arc pris en charge.

OmniVoice sur CPU : notre estimation de vitesse

Sur un processeur de bureau à 8 cœurs, nous estimons OmniVoice 2 à 5 fois plus lent que le temps réel : une phrase de 10 secondes prend 20 à 50 secondes. SuperClonica s’en charge en 1,0 à 1,6 seconde environ, soit 6,4 à 9,7 fois plus vite que le temps réel.

Notre point de départ est omnivoice-server, un serveur HTTP pour OmniVoice, qui indique un RTF de 4,92 sur CPU à 32 étapes sans préciser le processeur. Nous supposons un gain allant jusqu’à 2,5 fois sur un CPU de bureau rapide. Comme toutes les vitesses de notre tableau, c’est une estimation, pas une mesure.

Qualité et stabilité du timbre

Dans notre tableau, OmniVoice et SuperClonica ont la même note de qualité, 4,5 sur 5. L’écart se situe ailleurs : performances sur CPU (2 contre 5) et stabilité du timbre (4 contre 5). Un timbre stable compte quand un même personnage lit des centaines de répliques, dans un jeu ou un livre audio.

La documentation d’OmniVoice va dans le même sens : le clonage est son mode le plus stable, et une référence trop longue ralentit la génération et peut dégrader le résultat.

Licence

Le code d’OmniVoice est sous Apache 2.0, mais sa fiche indique que le modèle pré-entraîné est sous licence CC-BY-NC en raison de ses données d’entraînement. Avec les conditions par défaut, cela exclut l’usage commercial des poids officiels.

Supertonic 3 est sous OpenRAIL-M, une licence gratuite qui liste des usages interdits au lieu d’une clause non commerciale. Les voix achetées sur SuperClonica servent à vos propres projets et ne peuvent pas être revendues.

OmniVoice ou SuperClonica pour la synthèse vocale ?

Choisissez d’abord selon la langue, ensuite selon le matériel.

  • OmniVoice : votre langue ne fait pas partie des 31 de Supertonic 3, il vous faut le chinois ou un clonage instantané, et vous disposez d’un GPU.
  • SuperClonica : la voix doit tourner sur CPU, dans un navigateur ou une application, hors ligne et vite, avec la même voix sur des milliers de répliques.