Une alternative à Zonos et Higgs Audio sans grosse carte graphique
Zonos, de Zyphra, et Higgs Audio, de Boson AI, comptent parmi les modèles vocaux à poids ouverts les plus commentés. Zonos clone une voix à partir d’un court échantillon et permet de régler les émotions, et le dernier modèle Higgs, Higgs TTS 3, d’environ quatre milliards de paramètres, parle plus de 100 langues. Tous deux sont conçus pour des cartes graphiques puissantes.
Le moteur gratuit SuperClonica prend une autre voie : un modèle compact qui tourne sur un processeur ordinaire, 31 langues, des voix prêtes et une licence de modèle qui autorise l’usage commercial. Ce guide les compare honnêtement et dit quand Zonos ou Higgs Audio est le meilleur choix.
Zonos et Higgs Audio en bref
Pour cloner à la volée, contrôler les émotions ou parler chinois sur une carte puissante, ce sont des modèles impressionnants.
- Zonos v0.1 : anglais, japonais, chinois, français et allemand, clonage à partir d’un échantillon de 10 à 30 secondes, contrôle des émotions et du débit, audio en 44 kHz, code et poids sous Apache 2.0.
- Zonos demande au moins 6 Go de VRAM et la bibliothèque eSpeak ; il prend en charge Linux et macOS, Windows seulement via un fork communautaire, et sur processeur il est bien plus lent.
- Higgs TTS 3 : environ quatre milliards de paramètres, plus de 100 langues et un clonage sans entraînement, auto-hébergé avec SGLang-Omni ou utilisé via l’API hébergée de Boson AI.
- Ses poids sont sous une licence de recherche non commerciale ; un usage en production ou générant des revenus demande une licence commerciale à part.
Comparer le son gratuitement
Sur la page de n’importe quelle voix, collez une phrase vocalisée avec Zonos ou Higgs Audio, 30 à 100 caractères, choisissez la langue et cliquez sur le bouton de synthèse. En quelques secondes, vous comparez sur votre propre texte, sans compte.
Ce que SuperClonica fait autrement
Dix voix de base et plus de 170 voix du catalogue avec démos gratuites sont prêtes dès l’installation.
- Pas besoin de carte graphique : dans nos tests, une phrase courte a pris 0,43 s sur quatre threads d’un Ryzen 7 5800X.
- Rien d’autre à installer qu’un paquet, python -m pip install superclonica-cpu, ou une image Docker avec une API HTTP.
- 31 langues, dont le russe, l’espagnol, le portugais, le turc, l’hindi et l’arabe ; le chinois n’en fait pas partie.
- Le moteur est sous Apache 2.0, et le modèle Supertonic 3 sous OpenRAIL-M, qui autorise l’usage commercial dans le cadre de sa liste d’usages interdits.
Cloner à chaque requête ou une voix entraînée
Zonos et Higgs Audio copient une voix depuis un extrait à chaque requête, ce qui demande la carte graphique à chaque fois. Dans SuperClonica, une voix est entraînée une fois dans le studio à partir d’un enregistrement propre de 5 à 10 secondes, sur un ordinateur avec une carte graphique NVIDIA, ou commandée sur la bourse à un auteur qui l’entraîne. Ensuite, elle tourne sur n’importe quel processeur et dans les 31 langues, avec une trace de l’accent de l’enregistrement d’origine. Ne clonez que des voix dont les propriétaires sont d’accord.
Lequel choisir
Choisissez Zonos pour le contrôle des émotions et le clonage sur carte graphique dans ses cinq langues, chinois et japonais compris. Choisissez Higgs Audio pour la recherche dans plus de 100 langues, ou avec une licence commerciale de Boson AI. Choisissez SuperClonica quand la voix doit tourner sur des ordinateurs et serveurs ordinaires, dans un produit que vous vendez, avec des voix prêtes de narrateurs et de personnages et une installation en une commande.