OmniVoiceとSuperClonica：言語の多さか、速度か
k2-fsaプロジェクトのOmniVoiceは、ゼロショットの音声合成モデルで、対応言語の多さが際立っています。ドキュメントには646言語が並びます。数秒の音声から声をクローンでき、属性を指定して声を作ることもできます。SuperClonicaの対応言語は31とずっと少ないものの、普通のCPUで速く動き、セリフが変わっても声色が安定しています。
両者の違いと選び方をまとめました。
OmniVoiceの得意なこと
OmniVoiceは拡散言語モデル型のアーキテクチャを採用し、ベースモデルにはQwen3-0.6Bを使っています。
- 言語：公式リストに646言語、学習データは58万1000時間。
- ボイスクローン：3〜10秒の参考音声と書き起こしから、学習なしで声を再現。
- ボイスデザイン：性別、年齢、声の高さ、なまり、ささやきなどの属性で声を作成。ただし開発元によると、このモードは中国語と英語のデータだけで学習されており、リソースの少ない言語では不安定になることがあります。
- GPUでの速度：開発元はRTF 0.025、つまりリアルタイムの40倍速まで出ると公表しています。
- ハードウェア：NVIDIA GPU、Apple Silicon、Intel Arcに対応。
CPUでのOmniVoice：当社の速度見積もり
8コアのデスクトップCPUでは、OmniVoiceはリアルタイムより2〜5倍遅いと当社は見積もっています。10秒の文に20〜50秒かかります。SuperClonicaなら約1.0〜1.6秒、リアルタイムの6.4〜9.7倍速です。
出発点は、OmniVoice用のHTTPサーバーomnivoice-serverの報告で、CPU・32ステップでRTF 4.92です（CPUの機種は書かれていません）。高速なデスクトップCPUなら最大2.5倍速くなると仮定しました。当社の表の速度はすべて同じく見積もりであり、実測値ではありません。
品質と声色の安定性
当社の表では、OmniVoiceとSuperClonicaの品質評価はどちらも5点満点中4.5点です。差が出るのはCPUでの性能（2点対5点）と声色の安定性（4点対5点）です。ゲームやオーディオブックのように、同じキャラクターが何百ものセリフを話す場面では、声色の安定性が効いてきます。
OmniVoiceのドキュメントも同じ方向を示しています。最も安定しているのはクローンのモードで、参考音声が長すぎると生成が遅くなり、結果が悪くなることもあるそうです。
ライセンス
OmniVoiceのコードはApache 2.0ですが、モデルカードには、学習データの都合で学習済みモデルはCC-BY-NCライセンスだと書かれています。標準の条件では、公式の重みを商用利用することはできません。
Supertonic 3のライセンスはOpenRAIL-Mで、非商用条項ではなく禁止用途のリストを定めた無償のライセンスです。SuperClonicaで購入した音声は自分のプロジェクト用で、転売はできません。
音声合成にはOmniVoiceとSuperClonicaのどちらか
まず言語で、次にハードウェアで選んでください。
- OmniVoice：使いたい言語がSupertonic 3の31言語に入っていない、中国語や即時クローンが必要、GPUがある。
- SuperClonica：CPUやブラウザ、アプリの中で、オフラインかつ高速に、何千ものセリフを同じ声で読み上げたい。