Une alternative à Kitten TTS : Supertonic 3 sur un processeur ordinaire
Kitten TTS, de KittenML, est l’un des projets ouverts de synthèse vocale les plus populaires, sous licence Apache 2.0. Il compte deux familles : de minuscules modèles ONNX de 15 à 80 millions de paramètres avec huit voix, qui tournent sur CPU, et Kitten-TTS 2, un modèle 1 bit de 1,7 milliard de paramètres avec 115 voix, le clonage à partir de 5 à 30 secondes d’audio, des balises d’émotion et 20 langues.
SuperClonica fait tourner Supertonic 3, un modèle ouvert d’environ 99 millions de paramètres, en 31 langues sur un processeur ordinaire. Ce guide les compare honnêtement ; nous n’avons pas mesuré Kitten TTS, il n’y a donc ici aucun chiffre de vitesse ou de qualité pour lui, seulement des faits tirés de son dépôt.
Les points forts de Kitten TTS
Kitten-TTS 2 clone une voix à partir d’un court extrait sans réentraînement, contrôle l’expression par des balises et parle chinois, swahili et hébreu, que Supertonic 3 ne parle pas. Le modèle nano ne fait que 15 millions de paramètres, 25 Mo en int8, assez petit pour des appareils très modestes. KittenML propose aussi une API Kitten-TTS 2 gratuite.
Ce qu’il faut à chacun
Selon son README, Kitten-TTS 2 demande un GPU CUDA avec environ 8 Go libres ou un CPU avec environ 6 Go de RAM, et environ 2 Go de disque. Supertonic 3 compte environ 99 millions de paramètres ; nous estimons le moteur SuperClonica entre 6,4 et 9,7 fois plus rapide que le temps réel sur un CPU de bureau à 8 cœurs. Installez-le avec python -m pip install superclonica-cpu et lancez superclonica --text "Bonjour" --voice F1 --lang fr --output hello.mp3.
Langues et voix
Supertonic 3 parle 31 langues, dont le polonais, le tchèque, l’ukrainien, le vietnamien et l’indonésien, et chaque voix les parle toutes. SuperClonica ajoute 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 Kitten TTS pour cloner une voix depuis un extrait, les balises d’émotion, le chinois ou le plus petit modèle possible. Choisissez SuperClonica pour un modèle CPU léger en 31 langues avec des voix de personnages prêtes, des voix entraînées dans le studio et une API vocale avec 3 minutes gratuites par jour.