COMPARAISON DES MODÈLES

Qwen3-TTS ou SuperClonica pour une synthèse vocale locale

Qwen3-TTS est la famille de modèles vocaux ouverts de l’équipe Qwen, sortie en janvier 2026 en tailles 0.6B et 1.7B, sous Apache 2.0. Elle clone une voix à partir de trois secondes d’audio, crée des voix à partir d’une description textuelle et diffuse l’audio en streaming avec une faible latence. SuperClonica fait moins de choses : des voix Supertonic 3, prêtes ou entraînées, qui tournent vite sur CPU.

Les deux tournent sur votre propre matériel. Ils diffèrent par la vitesse, les langues et la façon d’obtenir une voix.

Trouver une voix pour Supertonic 3 Voir l’installation de SuperClonica

Ce que propose Qwen3-TTS

Les exemples officiels tournent sur un GPU NVIDIA en bfloat16, et FlashAttention 2 est recommandé pour réduire la mémoire GPU.

  • 10 langues : chinois, anglais, japonais, coréen, allemand, français, russe, portugais, espagnol et italien, plus des profils de voix dialectaux.
  • Clonage de voix en 3 secondes avec les modèles Base, sans entraînement.
  • Design de voix à partir d’une description en langage naturel (modèle 1.7B VoiceDesign).
  • Instructions pour régler le ton, le débit et l’émotion.
  • Génération en streaming ; les auteurs annoncent une latence de bout en bout à partir de 97 ms.

Vitesse de Qwen3-TTS sur CPU

Pour le modèle 0.6B sur un processeur de bureau à 8 cœurs, nous estimons 1 à 2 fois plus lent que le temps réel : 10 secondes de parole en 10 à 20 secondes. Cette estimation s’appuie sur un moteur communautaire écrit en C, qui indique un RTF de 2,02 pour le 0.6B en poids INT4 sur un Ryzen 7 6800H de portable. Le modèle 1.7B est plus lent : nous le situons à 2 à 5 fois plus lent que le temps réel. PyTorch seul peut être nettement plus lent que ce moteur en C.

Sur Apple Silicon, Qwen s’en sort mieux : le même moteur annonce 0,52 sur un M1, soit environ deux fois plus vite que le temps réel.

SuperClonica, sur un processeur de bureau à 8 cœurs, tourne selon notre estimation 6,4 à 9,7 fois plus vite que le temps réel : les mêmes 10 secondes prennent 1,0 à 1,6 seconde environ.

Qualité, stabilité et langues

Dans nos notes, Qwen3-TTS obtient 4 sur 5 pour la qualité et 4 pour la stabilité du timbre ; SuperClonica, 4,5 et 5.

Côté langues, Supertonic 3 en compte davantage, 31 contre 10, mais les deux listes ne se recoupent qu’en partie. Qwen3-TTS parle chinois, Supertonic 3 non. En revanche, Supertonic 3 ajoute l’arabe, le hindi, le turc, le vietnamien, l’ukrainien, le polonais et la plupart des autres langues européennes.

Lequel choisir

Les deux modèles sont ouverts et tournent en local : tout dépend de la tâche.

  • Qwen3-TTS : il vous faut le chinois, un clonage instantané ou du design de voix, ou vous construisez un assistant vocal sur GPU et la latence du premier paquet compte.
  • SuperClonica : vous générez beaucoup de parole sur CPU, dans l’une des 31 langues de Supertonic 3, ou vous voulez qu’une voix entraînée garde le même timbre sur des milliers de répliques.