Supertonic vs SuperClonica : le même modèle, plus rapide et plus net
Un seul modèle, Supertonic 3, avec les mêmes voix, le même texte et la même graine. Nous avons synthétisé de courtes phrases de chat en russe, en anglais et en allemand avec Supertonic d’origine et avec SuperClonica, puis comparé la vitesse et le son.
En bref : SuperClonica est 1,7 fois plus rapide sur une carte graphique et 1,6 fois sur un processeur, commence à parler après 0,08 s au lieu d’une demi-seconde, supprime le bruit de fond dans les pauses et coupe beaucoup moins de fins de phrase. Vous trouverez ci-dessous les mesures, les cas où l’original fait mieux et tous les enregistrements, pour écouter par vous-même.
Vitesse
Les deux moteurs tournaient dans le même processus et traitaient chaque phrase à tour de rôle, en inversant l’ordre à chaque fois : la charge de fond de l’ordinateur les ralentissait donc autant l’un que l’autre. Chaque appel recevait une nouvelle graine, comme dans un chat où chaque phrase est nouvelle. Les deux moteurs étaient créés à l’avance et préchauffés.
Sur la carte graphique, le gain vient des graphes CUDA : tout le modèle est enregistré une fois, puis lancé en une seule commande. Sur le processeur, les modèles sont réécrits pour le calcul multithread. SuperClonica a été plus rapide sur les 10 phrases sur la carte graphique et sur les 24 phrases sur le processeur.
| Supertonic | SuperClonica | |
|---|---|---|
| Carte graphique, médiane par phrase | 202 ms | 117 ms |
| Carte graphique, les 10 phrases à la suite | 2,03 s | 1,19 s |
| Processeur, médiane par phrase | 855 ms | 530 ms |
| Processeur, 24 phrases en 8 langues à la suite | 22,03 s | 14,39 s |
Son
Le modèle est le même, donc la voix et l’intonation sont identiques. La différence se joue autour des mots : le silence aux extrémités, le bruit dans les pauses et les sons parasites que le modèle ajoute parfois.
Le graphique montre une phrase sur une échelle de temps commune. L’original garde une demi-seconde de silence avant le premier mot et plus d’une demi-seconde après le dernier ; SuperClonica laisse 0,08 et 0,2 s, la parole commence donc plus tôt. Le bruit de fond entre les mots est lui aussi supprimé.
| Sur les 10 phrases d’exemple | Supertonic | SuperClonica |
|---|---|---|
| Silence avant le premier mot (médiane) | 0,50 s | 0,08 s |
| Silence après le dernier mot (médiane) | 0,63 s | 0,20 s |
| Durée totale des 10 fichiers | 37,6 s | 30,0 s |
| Bruit de fond entre les mots (médiane, par rapport au pic) | −48 dB | −92 dB |
Ce que montrent nos tests sur des milliers de générations
Dix phrases ne sont qu’un échantillon. Ces résultats viennent de nos propres tests, bien plus larges.
- Sons parasites en fin de phrase. Après le dernier mot, le modèle ajoute parfois un clic, une respiration, un bourdonnement ou une syllabe en trop. Sur deux séries de 1800 et 1392 phrases (12 et 18 langues, reconnaissance avec Whisper), on comptait 27 et 26 fins de ce genre. Après le nettoyage de SuperClonica, il en restait 0 et 3.
- Aucun mot n’est coupé. Le nettoyage est vérifié par rapport à la sortie brute du modèle avec un reconnaisseur de phonèmes. Sur les dernières versions, cela représente plus de 25 000 générations dans plus de 30 langues, sans aucune coupure confirmée de vraie parole.
- Moins d’accrocs sur les textes longs. SuperClonica découpe le texte en morceaux de 160 caractères au plus, sur les pauses naturelles ; l’original découpe tous les 300. Un mot répété est apparu 1 fois sur 1800 générations avec des morceaux de 160 caractères au plus, et dans 1 à 4 % des cas avec des morceaux de 200 à 290 caractères.
- Pas d’écrêtage. Le modèle produit parfois des pics au-dessus de la pleine échelle. Un limiteur à anticipation abaisse uniquement ces pics.
Moins de fins coupées net
Le modèle coupe parfois le dernier son à plein volume, comme si l’on arrêtait l’enregistrement au milieu d’un mot. À l’oreille, c’est un clic ou une fin avalée. SuperClonica amène ces fins à un fondu naturel tout en conservant le son lui-même.
Nous avons utilisé des phrases de chat avec 4 voix standard chacune, avec la même voix et la même graine pour les deux moteurs. Une coupure est une chute de volume de plus de 25 dB en 2 ms à la fin de la parole. Voici trois exemples, avec la fin de la phrase agrandie ; le pointillé marque la fin de la parole.
| Coupure nette en fin de phrase | Supertonic | SuperClonica |
|---|---|---|
| Russe, 312 enregistrements | 37 · 11,9 % | 3 · 1,0 % |
| Anglais, 300 enregistrements | 53 · 17,7 % | 6 · 2,0 % |
| Allemand, 132 enregistrements | 14 · 10,6 % | 0 · 0,0 % |
| Total, 744 enregistrements | 104 · 14,0 % | 9 · 1,2 % |
Nombres
L’original transmet les chiffres au modèle tels quels. Le modèle lit seul les petits nombres, mais se trompe sur les grands dans certaines langues. SuperClonica prononce les nombres en toutes lettres dans 27 langues.
Les nombres ont été testés sur une phrase contenant 3, 25, 2024 et 150, avec deux graines par langue et une reconnaissance par Whisper.
| Langue | Supertonic | SuperClonica |
|---|---|---|
| es | « 150 » est devenu inintelligible avec les deux graines | correct |
| fr | « 150 » s’entend comme « 105 » avec les deux graines | correct |
| de | avec une graine, « 150 » est devenu « eine 50 » | correct |
| pl | avec une graine, « 2024 » a été déformé | correct |
| ru, uk, it | correct | correct |
Écoutez par vous-même
Toutes les phrases de la mesure. Sous chaque enregistrement figure son enveloppe de volume, avec le silence avant et après la parole grisé.
Quand Supertonic d’origine fait mieux
SuperClonica ne gagne pas sur tout. Voici les compromis que nous connaissons.
- Démarrage. Au lancement, SuperClonica vérifie les graphes CUDA sur la carte graphique et réécrit les modèles pour le processeur : le démarrage est donc plus long, 9,5 s contre 1,2 s sur la carte graphique et 4,0 s contre 0,9 s sur le processeur. Mieux vaut créer le moteur une fois et le garder.
- Longs paragraphes sur carte graphique. Le texte est découpé en morceaux de 160 caractères au plus, si bien qu’un long paragraphe peut être un peu plus lent qu’avec l’original ; dans notre mesure, ce n’est pas arrivé. En échange, il y a moins d’accrocs.
- Nombres sans déclinaison. En russe, « в 2024 году » est lu avec le nombre cardinal au lieu de l’ordinal, et les années anglaises sonnent comme des nombres ordinaires. Le paramètre numbers=False transmet les chiffres au modèle comme l’original.
Comment nous avons mesuré
Supertonic 1.3.1 (modèle supertonic-3) sans traitement contre SuperClonica 0.6.23 avec les réglages par défaut. Les deux moteurs tournaient à la vitesse 1,05 avec 8 étapes, et chaque phrase avait la même voix et la même graine des deux côtés. Carte graphique RTX 5070 Ti, ONNX Runtime GPU 1.26 (10 tours). Processeur Ryzen 7 5800X, 4 threads pour chacun, 24 phrases de chat en 8 langues (2 tours).
L’ordinateur était une machine de travail, avec des applications ouvertes. Sur une machine libre, les millisecondes absolues sont plus basses, mais le rapport reste le même. Les mesures du son viennent d’une série distincte sur carte graphique ; silence et bruit de fond sont calculés par trames de 10 ms par rapport au pic de la phrase.
SuperClonica est un dérivé indépendant de Supertonic, et non une version officielle de Supertone. Le modèle Supertonic 3 est distribué sous sa propre licence.