Une alternative à GLM-TTS et Maya-1 qui tourne sur CPU
GLM-TTS et Maya-1 sont deux modèles ouverts et expressifs de synthèse vocale fondés sur de grands modèles de langage. GLM-TTS, sous licence MIT, clone une voix à partir de 3 à 10 secondes d’audio, contrôle l’émotion par apprentissage par renforcement et est optimisé pour le texte mêlant chinois et anglais. Maya-1 compte environ 3,3 milliards de paramètres et construit une voix à partir d’une description écrite, avec plus de 20 émotions et styles.
SuperClonica fait tourner Supertonic 3, environ 99 millions de paramètres, en 31 langues sur un processeur ordinaire. Ce guide les compare avec les faits de leurs fiches ; nous n’avons pas mesuré GLM-TTS ni Maya-1, il n’y a donc aucun chiffre de vitesse ou de qualité pour eux.
GLM-TTS
Un système en deux étapes : un modèle de langage basé sur Llama transforme le texte en jetons de parole, puis un décodeur produit l’audio. Il clone n’importe quel locuteur à partir d’un extrait de 3 à 10 secondes, diffuse en continu pour les applis interactives et rend prosodie et émotion plus naturelles par apprentissage par renforcement. Il excelle sur le texte mêlant chinois et anglais, sous la licence permissive MIT.
Maya-1
Au lieu de cloner ou de choisir un préréglage, vous décrivez la voix avec des mots, comme l’âge, le timbre, l’accent et le rythme, et ajoutez des indications expressives dans le texte. Sa fiche indique environ 3,3 milliards de paramètres et Apache 2.0 dans les métadonnées du dépôt, avec des notes sur les licences des composants à lire avant tout usage commercial.
Ce que SuperClonica fait autrement
Supertonic 3 compte environ 99 millions de paramètres, assez peu pour un CPU ordinaire ; nous estimons le moteur entre 6,4 et 9,7 fois le temps réel sur un processeur de bureau à 8 cœurs. Il parle 31 langues et chaque voix les parle toutes. Installez-le avec python -m pip install superclonica-cpu et lancez superclonica --text "Bonjour" --voice F1 --lang fr --output hello.mp3.
Des voix prêtes plutôt que des consignes
Plutôt que de cloner ou décrire une voix à chaque fois, SuperClonica propose environ 190 voix de catalogue, des narrateurs et annonceurs aux personnages de jeux et d’anime, chacune un petit fichier acheté une fois ; les dix voix standard sont gratuites et utilisables commercialement. Chaque page de voix lit gratuitement une phrase de 30 à 100 caractères.
Lequel choisir
Choisissez GLM-TTS pour le chinois, le clonage rapide et l’émotion, Maya-1 pour créer de nouvelles voix à partir de texte, si vous disposez d’un GPU pour de grands modèles. Choisissez SuperClonica pour 31 langues sur CPU, des voix de personnages prêtes et une API vocale avec 3 minutes gratuites par jour.