COMPARAÇÃO DE MODELOS

Qwen3-TTS ou SuperClonica para texto para fala local

O Qwen3-TTS é a família de modelos de voz abertos da equipe Qwen, lançada em janeiro de 2026 nos tamanhos 0.6B e 1.7B, sob Apache 2.0. Ele clona uma voz com três segundos de áudio, cria vozes a partir de uma descrição em texto e transmite o áudio em streaming com baixa latência. O SuperClonica é mais focado: vozes do Supertonic 3, prontas ou treinadas, que rodam rápido no CPU.

Os dois rodam no seu próprio hardware. A diferença está na velocidade, nos idiomas e em como você consegue uma voz.

Encontrar uma voz para o Supertonic 3 Ir para a instalação do SuperClonica

O que o Qwen3-TTS oferece

Os exemplos oficiais rodam em uma GPU NVIDIA em bfloat16, e o FlashAttention 2 é recomendado para reduzir o uso de memória da GPU.

  • 10 idiomas: chinês, inglês, japonês, coreano, alemão, francês, russo, português, espanhol e italiano, além de perfis de voz com dialetos.
  • Clonagem de voz com 3 segundos nos modelos Base, sem treino.
  • Design de voz a partir de uma descrição em linguagem natural (modelo 1.7B VoiceDesign).
  • Instruções que controlam tom, velocidade da fala e emoção.
  • Geração em streaming; os autores informam latência de ponta a ponta a partir de 97 ms.

Velocidade do Qwen3-TTS no CPU

Para o modelo 0.6B em um processador de desktop de 8 núcleos, estimamos de 1 a 2 vezes mais lento que o tempo real: 10 segundos de fala em 10 a 20 segundos. A estimativa se baseia em um motor da comunidade escrito em C, que informa RTF de 2,02 para o 0.6B com pesos INT4 em um Ryzen 7 6800H de notebook. O modelo 1.7B é mais lento: colocamos de 2 a 5 vezes mais lento que o tempo real. PyTorch puro pode ser bem mais lento que esse motor em C.

No Apple Silicon o Qwen se sai melhor: o mesmo motor informa 0,52 em um M1, ou seja, cerca de duas vezes mais rápido que o tempo real.

O SuperClonica, em um processador de desktop de 8 núcleos, roda pela nossa estimativa de 6,4 a 9,7 vezes mais rápido que o tempo real: os mesmos 10 segundos levam cerca de 1,0 a 1,6 segundo.

Qualidade, estabilidade e idiomas

Nas nossas notas, o Qwen3-TTS recebe 4 de 5 em qualidade e 4 em estabilidade do timbre; o SuperClonica, 4,5 e 5.

Em número de idiomas, o Supertonic 3 vence por 31 a 10, mas as listas não batem totalmente. O Qwen3-TTS fala chinês, o Supertonic 3 não. Em compensação, o Supertonic 3 traz árabe, hindi, turco, vietnamita, ucraniano, polonês e a maioria dos outros idiomas europeus.

Qual usar

Os dois são abertos e rodam localmente, então depende da tarefa.

  • Qwen3-TTS: você precisa de chinês, clonagem instantânea ou design de voz, ou está criando um assistente de voz em GPU e a latência do primeiro pacote importa.
  • SuperClonica: você gera muita fala no CPU, trabalha em um dos 31 idiomas do Supertonic 3 ou quer que uma voz treinada soe igual em milhares de falas.