ガイド

CPU で動く GLM-TTS・Maya-1 の代替

GLM-TTS と Maya-1 は、大規模言語モデルをベースにした表現力の高いオープン音声合成モデルです。MIT ライセンスの GLM-TTS は3〜10秒の音声から声をクローンし、強化学習で感情を制御し、中国語と英語の混在テキストに最適化されています。Maya-1 は約33億パラメータで、文章で書いた説明から声を作り、20種類以上の感情や話し方に対応します。

SuperClonica は約9900万パラメータの Supertonic 3 を、ふつうの CPU で31言語で動かします。このガイドはモデルカードの事実で比較します。GLM-TTS と Maya-1 は計測していないので、速度や品質の数値は載せていません。

音声を見る SuperClonica エンジンをインストール

GLM-TTS

2段階の仕組みで、Llama ベースの言語モデルがテキストを音声トークンに変え、デコーダーが音声にします。3〜10秒のプロンプトで話者をクローンし、対話アプリ向けにストリーミングでき、強化学習で抑揚や感情をより自然にしています。中国語と英語の混在テキストに強く、ライセンスは寛容な MIT です。

Maya-1

クローンやプリセット選択の代わりに、年齢、声質、アクセント、話す速さなどを言葉で説明し、本文に表現の指示を入れます。カードには約33億パラメータ、リポジトリのメタデータに Apache 2.0 とあり、商用利用の前に読んでおきたい構成要素ごとのライセンスの注記もあります。

SuperClonica の違い

Supertonic 3 は約9900万パラメータで、ふつうの CPU で十分動きます。エンジンはデスクトップの8コア CPU で実時間の6.4〜9.7倍速と見積もっています。日本語を含む31言語を話し、どの声もすべての言語を話せます。python -m pip install superclonica-cpu でインストールし、superclonica --text "こんにちは" --voice F1 --lang ja --output hello.mp3 を実行します。

プロンプトではなく用意された声

毎回声をクローンしたり説明したりする代わりに、SuperClonica にはナレーターやアナウンサーからゲーム・アニメのキャラクターまで約190のカタログ音声があり、それぞれ一度買えば使い続けられる小さなファイルです。標準音声10種は無料で商用利用もできます。どの声のページでも30〜100文字のセリフを無料で試せます。

どちらを選ぶか

大きなモデル用の GPU があり、中国語・手早いクローン・感情表現なら GLM-TTS、文章から新しい声を作るなら Maya-1。CPU で31言語、すぐ使えるキャラクター音声、1日3分の無料枠がある音声 API なら SuperClonica です。