OmniVoice ou SuperClonica: mais idiomas ou mais velocidade
O OmniVoice, do projeto k2-fsa, é um modelo de texto para fala zero-shot com cobertura de idiomas enorme: a documentação lista 646. Ele clona uma voz com poucos segundos de áudio e consegue criar uma a partir de uma lista de atributos. O SuperClonica cobre bem menos idiomas, 31, mas roda rápido em um CPU comum e mantém o timbre estável de uma frase para outra.
Veja o que separa os dois e como escolher.
O que o OmniVoice faz bem
O OmniVoice usa uma arquitetura no estilo de modelo de linguagem de difusão, com o Qwen3-0.6B como modelo base.
- Idiomas: 646 na lista oficial, com 581 mil horas de dados de treino.
- Clonagem de voz a partir de um trecho de referência de 3 a 10 segundos com a transcrição, sem treino.
- Design de voz por atributos: gênero, idade, tom, sotaque ou sussurro. Os autores avisam que esse modo foi treinado só com dados em chinês e inglês e pode ficar instável em alguns idiomas com poucos recursos.
- Velocidade na GPU: os autores informam RTF a partir de 0,025, ou seja, 40 vezes mais rápido que o tempo real.
- Hardware: suporte a GPUs NVIDIA, Apple Silicon e Intel Arc.
OmniVoice no CPU: nossa estimativa de velocidade
Em um processador de desktop de 8 núcleos, estimamos o OmniVoice de 2 a 5 vezes mais lento que o tempo real: uma frase de 10 segundos leva de 20 a 50 segundos. O SuperClonica resolve em cerca de 1,0 a 1,6 segundo, de 6,4 a 9,7 vezes mais rápido que o tempo real.
O ponto de partida é o omnivoice-server, um servidor HTTP para o OmniVoice que informa RTF de 4,92 no CPU com 32 passos, sem dizer qual processador foi usado. Supomos até 2,5 vezes mais velocidade em um CPU de desktop rápido. Como todas as velocidades da nossa tabela, é uma estimativa, não uma medição.
Qualidade e estabilidade do timbre
Na nossa tabela, OmniVoice e SuperClonica têm a mesma nota de qualidade: 4,5 de 5. A diferença está em outro lugar: desempenho no CPU (2 contra 5) e estabilidade do timbre (4 contra 5). Timbre estável importa quando o mesmo personagem lê centenas de falas, como em jogos e audiolivros.
A documentação do OmniVoice aponta na mesma direção: a clonagem é o modo mais estável, e uma referência longa deixa a geração mais lenta e pode piorar o resultado.
Licença
O código do OmniVoice está sob Apache 2.0, mas a página do modelo diz que o modelo pré-treinado tem licença CC-BY-NC por causa dos dados de treino. Nos termos padrão, isso exclui o uso comercial dos pesos oficiais.
O Supertonic 3 usa a OpenRAIL-M, uma licença gratuita com uma lista de usos proibidos em vez de uma cláusula não comercial. As vozes compradas no SuperClonica são para os seus próprios projetos e não podem ser revendidas.
OmniVoice ou SuperClonica para texto para fala?
Escolha primeiro pelo idioma, depois pelo hardware.
- OmniVoice: seu idioma não está entre os 31 do Supertonic 3, você precisa de chinês ou de clonagem instantânea e tem GPU.
- SuperClonica: a voz precisa rodar no CPU, no navegador ou em um app, offline e rápido, com a mesma voz em milhares de falas.