Piper TTS ou SuperClonica: aparelhos pequenos ou vozes sob medida
O Piper é um sistema neural de texto para fala, rápido e local, conhecido como a voz do Home Assistant e como uma das opções de voz do leitor de tela NVDA. As vozes são treinadas com VITS e exportadas para ONNX, e o projeto original foi otimizado para o Raspberry Pi 4. Em outubro de 2025 o repositório original foi arquivado; o desenvolvimento continua em OHF-Voice/piper1-gpl, sob a Open Home Foundation.
O SuperClonica também gera fala localmente, mas com outro foco: vozes do Supertonic 3 em um único arquivo JSON, um catálogo de vozes de autores e vozes sob encomenda. O Piper não está na nossa tabela comparativa, então esta página fica nos fatos dos repositórios oficiais e mostra onde cada um se sai melhor.
Como o Piper funciona
Cada voz do Piper é um modelo ONNX separado com uma configuração JSON, treinado para um idioma. Para converter texto em fonemas, o Piper embute o espeak-ng. O pacote atual se instala com pip install piper-tts e traz uma ferramenta de linha de comando, uma API Python, um servidor HTTP e uma biblioteca em C/C++; a aceleração por GPU com CUDA é opcional.
A lista de vozes cobre 39 idiomas, do árabe e do catalão ao vietnamita e ao galês, incluindo português do Brasil e de Portugal, espanhol, francês, alemão, russo e chinês. Japonês e coreano não estão nela.
Licenças: o motor e cada voz
O motor atual, piper1-gpl, está sob GPL-3.0; o original arquivado era MIT. Isso pesa se você embute a biblioteca em um produto fechado. As vozes têm termos próprios: a lista pede que você leia o MODEL_CARD de cada voz, avisa que algumas têm licenças restritivas e apresenta o Piper como ferramenta para uso pessoal e pesquisa em síntese de fala.
O Supertonic 3 usa a OpenRAIL-M, uma única licença livre de royalties para o modelo, com uma lista de usos proibidos. As vozes compradas no SuperClonica são para os seus próprios projetos e não podem ser revendidas.
Uma voz nova: treinar para o Piper ou para o SuperClonica
O Piper não clona voz a partir de um trecho curto. Uma voz nova significa treinar com um conjunto de gravações e transcrições. O guia oficial recomenda partir de um checkpoint existente; a maioria das vozes oficiais foi treinada em placas de 24–48 GB, e há usuários que conseguiram com 8 GB de VRAM.
No SuperClonica, para começar basta uma gravação limpa de 5 a 10 segundos com a transcrição exata. O treino roda na sua própria GPU NVIDIA, você compara checkpoints, e o JSON final é baixado de graça. Sem GPU, encomende a voz de um autor ou escolha uma voz pronta com demos no catálogo.
Velocidade e hardware
O Piper foi feito para aparelhos pequenos, e esse é o ponto mais forte dele. Nós não o medimos e não damos nota a ele na nossa tabela.
O Supertonic 3 precisa de um modelo base de cerca de 400 MB mais o motor. Os destinos típicos são desktops, notebooks, servidores e o navegador via ONNX Runtime Web; não temos medições em Raspberry Pi. Em um CPU de desktop com 8 núcleos estimamos o SuperClonica de 6,4 a 9,7 vezes mais rápido que o tempo real, e o motor é em média 61% mais rápido que o cliente padrão do Supertonic 3 no CPU.
Quando o Piper é a melhor escolha
O SuperClonica serve quando você quer uma voz que não está na lista do Piper, fala em japonês ou coreano, ou uma voz feita sob encomenda para o seu projeto. Escolha o Piper para:
- Raspberry Pi e outros aparelhos pequenos, assistentes de voz de casa inteligente e Home Assistant.
- Idiomas que o Supertonic 3 não cobre, como catalão, galês, persa, cazaque, nepalês, suaíli ou chinês.
- Uma biblioteca em C/C++ ou um servidor HTTP pronto para um sistema que já existe.
- Projetos para os quais a GPL-3.0 e a licença da voz escolhida servem.