ガイド

Zonos と Higgs Audio の代替：大きなGPUなしで

Zyphra の Zonos と Boson AI の Higgs Audio は、話題のオープンウェイト音声モデルです。Zonos は短いサンプルから声をクローンし、感情も設定でき、Higgs の最新モデル Higgs TTS 3（約40億パラメーター）は100以上の言語を話します。どちらも強力なグラフィックカード向けです。

無料の SuperClonica エンジンは別の道を選びました。ふつうのCPUで動くコンパクトなモデル、31言語、すぐ使える声、そして商用利用を認めるモデルライセンスです。このガイドでは率直に比較し、Zonos や Higgs Audio のほうが向く場面も紹介します。

音声を見る SuperClonica エンジンをインストール

Zonos と Higgs Audio の概要

その場でのクローン、感情の調整、強力なGPUでの中国語なら、どちらも見事なモデルです。

  • Zonos v0.1：英語、日本語、中国語、フランス語、ドイツ語。10〜30秒のサンプルから声をクローンし、感情や話す速さを調整でき、44 kHz の音声。コードと重みは Apache 2.0 です。
  • Zonos には6 GB 以上の VRAM と eSpeak ライブラリが必要です。Linux と macOS に対応し、Windows はコミュニティのフォークのみ。CPUではかなり遅くなります。
  • Higgs TTS 3：約40億パラメーター、100以上の言語、学習なしの声のクローン。SGLang-Omni で自前ホストするか、Boson AI のホスト型APIで使います。
  • 重みは研究・非商用ライセンスで、本番や収益を伴う利用には別途商用ライセンスが必要です。

無料で聞き比べる

どの声のページでも、Zonos や Higgs Audio で作った文を30〜100文字で貼り付け、言語を選んで生成ボタンを押します。数秒で自分の文で聞き比べられます。アカウントは不要です。

SuperClonica の違い

標準ボイス10種と、無料デモ付きのカタログの声170種以上が、インストール直後から使えます。

  • グラフィックカードは不要。当社のテストでは、短い文が Ryzen 7 5800X の4スレッドで0.43秒でした。
  • インストールするのはパッケージ1つ（python -m pip install superclonica-cpu）、または HTTP API 付きの Docker イメージだけ。
  • 日本語、ロシア語、スペイン語、ポルトガル語、トルコ語、ヒンディー語、アラビア語を含む31言語。中国語は含まれません。
  • エンジンは Apache 2.0、Supertonic 3 モデルは OpenRAIL-M で、禁止用途の範囲外なら商用利用できます。

毎回クローンするか、学習させた声か

Zonos と Higgs Audio はリクエストのたびにクリップから声をコピーするので、毎回GPUが必要です。SuperClonica では、声はクリーンな5〜10秒の録音から NVIDIA のグラフィックカードを積んだPCのスタジオで一度だけ学習するか、エクスチェンジで作者に依頼します。その後はどのCPUでも、31言語すべてで動き、元の録音のなまりがわずかに残ります。持ち主が同意した声だけをクローンしてください。

どれを選ぶか

感情の調整やGPUでのクローンを、中国語と日本語を含む5言語で使うなら Zonos。100以上の言語での研究、または Boson AI の商用ライセンスを取るなら Higgs Audio。ふつうのPCやサーバーで動かしたい、販売する製品に入れたい、すぐ使えるナレーターやキャラクターの声とコマンド1つのインストールがほしいなら SuperClonica を選びましょう。