ガイド

Pocket TTSの代替：31言語、すぐ使える声、ホスト型API

Pocket TTSはKyutaiの小型オープン音声合成モデルです。約1億パラメーターで、普通のノートPCのCPUでリアルタイムに動き、短いWAV録音から声をクローンできます。対応言語は英語、フランス語、ドイツ語、ポルトガル語、イタリア語、スペイン語の6つです。

SuperClonicaは同じ規模で31言語を話すSupertonic 3をベースに、作者による190の声のカタログ、オフラインで動く無料エンジン、ホスト型APIを加えています。このガイドでは両者を公平に比べ、どちらがどんな場合に向くかを説明します。

無料でAPIキーを取得 声を聴く SuperClonicaエンジンをインストール

Pocket TTSの概要

モデルカードによると、Pocket TTSは約1億パラメーターで、MacBook Air M4のCPUの2コアでリアルタイムの約6倍の速さで動き、最初の音声チャンクを約200ミリ秒で返します。渡したWAVファイルから声をクローンし、録音の品質がそのまま反映されるため事前にきれいにするよう勧めています。重みはCC-BY 4.0で公開され、ダウンロード前にHugging Faceで条件への同意が必要です。明確で合法的な同意のない声のクローンは禁止されています。

SuperClonicaの違い

言語：Supertonic 3は31言語を話し、Pocket TTSにないロシア語、日本語、韓国語、アラビア語、ヒンディー語、ポーランド語、トルコ語も含みます。どちらも中国語には対応していません。

声：リクエストのたびに音声をクローンするのではなく、SuperClonicaの声は学習済みのスタイルファイルです。カタログの190の声から選んで試聴し、テスト文を無料でオンライン読み上げできます。スタジオで自分の録音から声を学習させることもできます。

ホスティング：無料のオフラインエンジンに加え、SuperClonicaの音声合成APIが声を代わりに動かします。当社の測定で最短約300ミリ秒から音声をストリーミングし、月5ドルで最大216時間、無料キーなら1日1分です。

どちらを選ぶか

6言語のいずれかで数秒の音声から即座にクローンし、すべて自分で動かしたいならPocket TTS。より多くの言語、キャラクターやナレーターの既成の声、サーバー不要のストリーミング対応ホスト型APIが必要ならSuperClonicaです。どちらもCPUで動くので、自分のパソコンで両方試せます。