Une alternative à Dia, Orpheus et Sesame CSM qui tourne sur CPU
Dia, Orpheus TTS et Sesame CSM ont apporté à la synthèse vocale les idées des grands modèles de langage : dialogues vivants, rires, balises d’émotion et streaming rapide. Ils partagent aussi une exigence : une carte graphique NVIDIA, et pour Dia, du texte en anglais uniquement.
Le moteur gratuit SuperClonica fait tourner le modèle plus compact Supertonic 3 sur un processeur ordinaire, en 31 langues, avec un catalogue de voix prêtes. Ce guide les compare honnêtement et dit quand l’un des trois reste le meilleur choix.
Ce que les trois font bien
Pour une conversation expressive en anglais sur carte graphique, ce sont parmi les modèles ouverts les plus impressionnants.
- Dia, 1,6 milliard de paramètres, écrit des dialogues entiers à partir d’un script avec les balises de locuteur [S1] et [S2] et peut rire ou tousser ; il ne prend en charge que l’anglais et a été testé sur GPU.
- Orpheus TTS repose sur un modèle Llama de 3 milliards de paramètres, accepte des balises d’émotion et diffuse en streaming avec environ 200 ms de latence ; il tourne avec vLLM, sur carte graphique.
- Sesame CSM, 1 milliard de paramètres, exige une carte graphique CUDA et un accès au modèle Llama 3.2 1B.
- Les trois sont sous licence Apache 2.0.
Comparer le son gratuitement
Sur la page de n’importe quelle voix, collez une phrase que vous avez vocalisée avec Dia, Orpheus ou CSM, 30 à 100 caractères, choisissez la langue et cliquez sur le bouton de synthèse. En quelques secondes, vous pouvez comparer, sans compte.
Ce qui change avec SuperClonica
Les longs textes sont découpés aux pauses naturelles et réunis en un seul fichier, un chapitre ou un script passe donc en un seul appel.
- Installation en une commande : python -m pip install superclonica-cpu, ou l’image Docker comme service HTTP.
- Il tourne sur un processeur ordinaire : dans nos tests, une phrase courte a pris 0,43 s sur quatre threads d’un Ryzen 7 5800X.
- 31 langues, dont le français, l’espagnol, l’allemand, le russe, le japonais et le coréen ; le chinois n’est pas encore pris en charge.
- Le texte est lu tel qu’il est écrit, et le même seed redonne la même prise.
Voix : prompts, préréglages et voix entraînées
Dia garde un locuteur grâce à un prompt audio ou un seed fixe ; Orpheus propose des voix prédéfinies ; CSM prend un audio de contexte. SuperClonica a dix voix de base et plus de 170 voix au catalogue, chacune avec une démo gratuite ; votre propre voix s’entraîne une fois dans le studio SuperClonica à partir d’un enregistrement propre de 5 à 10 secondes d’un locuteur consentant, sur un ordinateur doté d’une carte graphique NVIDIA, ou se commande sur la bourse. Ensuite, elle tourne sur n’importe quel processeur et dans les 31 langues.
Lequel choisir
Choisissez Dia, Orpheus ou CSM pour une conversation expressive en anglais avec rires et balises d’émotion, ou pour un agent vocal en streaming, si vous avez une carte graphique pour chaque requête. Choisissez SuperClonica pour une parole propre en 31 langues sur des serveurs et des portables ordinaires, pour des voix prêtes de personnages et de narrateurs et pour de gros volumes sans carte graphique.