CPU で動く Dia・Orpheus・Sesame CSM の代替
Dia、Orpheus TTS、Sesame CSM は、大規模言語モデルの発想を音声合成に持ち込みました。生き生きした対話、笑い声、感情タグ、高速なストリーミングです。共通の条件もあります。NVIDIA のグラフィックカードが必要で、Dia は英語のテキストのみです。
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。
3つのモデルが得意なこと
グラフィックカードでの表現豊かな英語の会話なら、もっとも印象的なオープンモデルの部類です。
- Dia（16億パラメータ）は [S1]・[S2] の話者タグ付きの台本から対話全体を生成し、笑いや咳も入れられます。対応は英語のみで、GPUでテストされています。
- Orpheus TTS は30億パラメータの Llama モデルをベースに、感情タグを理解し、約200ミリ秒の遅延でストリーミングします。vLLM でグラフィックカード上で動きます。
- Sesame CSM（10億パラメータ）は CUDA 対応のグラフィックカードと Llama 3.2 1B モデルへのアクセスが必要です。
- 3つとも Apache 2.0 ライセンスです。
音を無料で比べる
どの声のページでも、Dia、Orpheus、CSM 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
長文は自然な間で分割されて1つのファイルにまとめられるので、章や台本を1回の呼び出しで渡せます。
- インストールはコマンド1つ：python -m pip install superclonica-cpu。Docker イメージでHTTPサービスとしても動かせます。
- 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。
- 31言語：日本語、英語、スペイン語、ドイツ語、ロシア語、韓国語など。中国語にはまだ対応していません。
- 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ます。
声：プロンプト、プリセット、学習した声
Dia は音声プロンプトか固定の seed で話者を保ち、Orpheus にはプリセットの声があり、CSM は文脈の音声を受け取ります。SuperClonica には10の標準音声と、それぞれ無料デモ付きの170以上のカタログ音声があります。自分の声は、同意を得た話者の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 SuperClonica のスタジオで一度学習させるか、取引所で注文します。その後はどのCPUでも、31言語すべてで動きます。
どれを選ぶか
笑いや感情タグを使った表現豊かな英語の会話、あるいはストリーミングの音声エージェントで、リクエストごとにグラフィックカードを使えるなら Dia、Orpheus、CSM を。ふつうのサーバーやノートPCで31言語のクリーンな音声、すぐ使えるキャラクターやナレーターの声、グラフィックカードなしでの大量生成なら SuperClonica を選びましょう。