Kitten TTS の代替：ふつうの CPU で動く Supertonic 3
KittenML の Kitten TTS は、Apache 2.0 で公開されている人気のオープンな音声合成プロジェクトです。CPU で動く1500万〜8000万パラメータ・8つの声の小型 ONNX モデルと、17億パラメータの1ビットモデル Kitten-TTS 2（115の声、5〜30秒の音声からのクローン、感情タグ、20言語）の2系統があります。
SuperClonica は約9900万パラメータのオープンモデル Supertonic 3 を、ふつうの CPU で31言語で動かします。このガイドでは両者を正直に比べます。Kitten TTS は計測していないので、速度や品質の数値は載せず、リポジトリの事実だけを紹介します。
Kitten TTS の強み
Kitten-TTS 2 は短い音声から追加学習なしで声をクローンし、タグで表現を調整でき、Supertonic 3 にない中国語、スワヒリ語、ヘブライ語も話します。nano モデルはわずか1500万パラメータ、int8 で 25 MB と、とても非力な機器にも収まります。KittenML は無料の Kitten-TTS 2 API も提供しています。
それぞれに必要なもの
README によると、Kitten-TTS 2 には空き約 8 GB の CUDA GPU か約 6 GB の RAM を持つ CPU、約 2 GB のディスクが必要です。Supertonic 3 は約9900万パラメータで、SuperClonica 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。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。
言語と声
Supertonic 3 は日本語、ポーランド語、チェコ語、ウクライナ語、ベトナム語、インドネシア語などを含む31言語を話し、どの声もすべての言語を話せます。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
短い音声からのクローン、感情タグ、中国語、最小のモデルが必要なら Kitten TTS。31言語の軽い CPU モデルとすぐ使えるキャラクター音声、スタジオで学習した声、1日3分の無料枠がある音声 API が欲しいなら SuperClonica です。