ガイド

CosyVoice・IndexTTS・Spark-TTS の代替

CosyVoice、IndexTTS、Spark-TTS は、言語モデルの考え方にもとづくオープンな音声モデルの中でも特に強力です。1つのクリップから声をまね、感情の指示に従い、中国語を見事に扱います。どれも大きなモデルで、ふつうは NVIDIA のグラフィックカードで動かされ、対応言語の一覧は短めです。

無料の SuperClonica エンジンは、より小さな Supertonic 3 モデルをふつうのCPUで31言語で動かし、すぐ使える声のカタログがあります。このガイドでは正直に比較し、3つのどれかが向いている場合も紹介します。

音声を見る SuperClonica エンジンをインストール

3つのモデルが得意なこと

中国語とその方言、クリップからの即時クローンには、すばらしいツールです。

  • Fun-CosyVoice 3.0 は中国語、英語、日本語、韓国語、ドイツ語、スペイン語、フランス語、イタリア語、ロシア語の9言語と18以上の中国語方言に対応し、感情や速度の指示に従います。
  • IndexTTS-2.5 は1つの参照クリップから声をまね、中国語、英語、日本語、スペイン語、アラビア語で話し、感情を細かく制御できます。
  • Spark-TTS は中国語と英語を話し、2つの言語をまたいで声をまねます。
  • ライセンスはさまざまです。CosyVoice は Apache 2.0、IndexTTS は bilibili Model Use License Agreement。商用利用の前に各モデルを確認してください。

音を無料で比べる

どの声のページでも、これらのどれかで読み上げた文を30〜100文字で貼り付け、言語を選んで生成ボタンを押します。数秒で比較できます。アカウントは不要です。

SuperClonica で変わること

テキストは書いたとおりに読まれ、同じ seed なら同じテイクを再現できるので、長いプロジェクトでも一貫性を保てます。

  • 31言語：ポルトガル語、ポーランド語、オランダ語、トルコ語、ウクライナ語、ヒンディー語、インドネシア語、ベトナム語など。中国語は含まれません。
  • ふつうのCPUで動きます。私たちのテストでは、Ryzen 7 5800X の4スレッドで短い文が0.43秒でした。
  • すぐ使える声：10の標準音声と、無料デモ付きの170以上のカタログ音声。
  • インストールはコマンド1つ：python -m pip install superclonica-cpu。HTTP API 付きの Docker イメージもあります。

声をまねるか、学習させるか

この3つは、生成のたびにクリップから声をまねます。SuperClonica では、5〜10秒のきれいな録音から NVIDIA のグラフィックカードを積んだPCでスタジオで一度学習させるか、取引所で学習してくれる作者に注文します。その後はどのCPUでも、31言語すべてで動き、元の録音のなまりが少し残ります。クローンするのは、持ち主が同意した声だけにしてください。

どれを選ぶか

中国語とその方言、クリップからの即時クローン、感情の指示が必要で、グラフィックカードがあるなら CosyVoice、IndexTTS、Spark-TTS を。それらが対応していない多くの言語、すぐ使えるキャラクターやナレーターの声、ふつうのサーバーやノートPCでの大量生成なら SuperClonica を選びましょう。