ガイド

OuteTTS・Llasa・MegaTTS3・MaskGCT：公平な比較

OuteTTS、Llasa、MegaTTS3、MaskGCT は、短い録音から声をクローンできるオープンな研究用モデルで、クラウド音声の代わりを自前で動かしたい人がよく比べます。どれかを使う前に大事なのは、何語を話せるか、そしてライセンスで何が許されるかの2点です。

このガイドでは各モデルカードの要点と、小さなモデル Supertonic 3 を使う SuperClonica のほうが手軽な場面をまとめます。

声を見る SuperClonica エンジンをインストール

OuteTTS 1.0

OuteTTS 1.0 1B は Llama 3.2 1B をベースにし、23言語（うち12言語は十分に学習）を話し、約10秒の音声から声をクローンします。GGUF 版は llama.cpp で動きます。ライセンスは Llama 3.2 Community License と、OuteAI の追加部分に対する CC-BY-NC-SA 4.0 の組み合わせで、商用利用は制限されます。

Llasa

Llasa は Llama モデルをベースにした 1B・3B・8B の各サイズがあり、25万時間の中国語と英語の音声で学習され、16 kHz のプロンプト音声からクローンします。中国語と英語を話し、ライセンスの CC BY-NC 4.0 では自由な商用利用はできません。

MegaTTS3 と MaskGCT

ByteDance の MegaTTS3 は Apache-2.0 で英語と中国語を話しますが、WaveVAE エンコーダーが公開されていないため、事前に抽出した潜在表現からしかクローンできず、カードには主に学術目的とあります。CPU では低速です。Amphion の MaskGCT は完全な非自己回帰型のゼロショットモデルで、約10万時間の英語・中国語音声で学習され、ライセンスは CC-BY-NC 4.0 です。

SuperClonica が向いている場合

商用利用、多くの言語、GPU のないパソコンが必要なら SuperClonica が手軽です。Supertonic 3 は普通の CPU で動き、どの声も31言語を話し、標準の10音声は OpenRAIL-M で無料、カタログの声は一度きり $2.99、スタジオでは5〜10秒の録音から自分の声を学習できます。各ページで30〜100文字を無料で試すか、python -m pip install superclonica-cpu でエンジンを入れましょう。