ガイド

Soprano・Kani TTS・Marvis TTS の代替

控えめな機器でリアルタイムに話す、小型のオープン音声合成モデルが次々に登場しています。Soprano 1.1 は8000万パラメータで英語のみ、Kani TTS 370M は中国語を含む6言語、Marvis TTS 250M は英語・フランス語・ドイツ語でストリーミングし、参照音声から声をクローンできます。

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。これらのモデルは計測していないため、以下の速度はそれぞれの公称値で、私たちの計測ではありません。

音声を見る SuperClonica エンジンをインストール

Soprano 1.1

Apache 2.0 の8000万パラメータのモデルで、GPU で最大2000倍、CPU で20倍の実時間速度をうたい、CPU で250ms未満の遅延でストリーミングし、メモリは1GB未満です。カードによると英語のみで、声のクローンはできず、学習データは約1,000時間なので、珍しい単語は読み間違えることがあります。

Kani TTS 370M

22kHz の3億7000万パラメータのモデルで、英語、ドイツ語、中国語、韓国語、アラビア語、スペイン語に対応し、GPU メモリは約2GB必要です。商用利用の前にライセンスを確認してください。カードのメタデータは LFM 1.0 ライセンス、本文は Apache 2.0 と書かれています。

Marvis TTS 250M

Apache 2.0 の会話向けモデルで、250M のバックボーンと 60M の音声デコーダーからなり、iPhone や iPad などでのリアルタイムストリーミング向けです。英語、フランス語、ドイツ語に最適化され、参照音声から声をクローンします。

SuperClonica の位置づけ

Supertonic 3 は日本語を含む31言語を話し、どの声もすべての言語を話せます。カタログにはナレーターからゲーム・アニメのキャラクターまで約190の声があり、一度買えば使い続けられます。標準音声10種は無料で商用利用もできます。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。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。どの声のページでもセリフを無料で試せます。

どれを選ぶか

小さな機器で最速の英語なら Soprano、GPU で中国語や韓国語なら Kani、欧州3言語でのストリーミングとクローンなら Marvis。CPU で31言語、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分無料の API なら SuperClonica です。