Supertonic vs SuperClonica: o mesmo modelo, mais rápido e limpo
O mesmo modelo, Supertonic 3, com as mesmas vozes, o mesmo texto e a mesma semente. Geramos frases curtas de chat em russo, inglês e alemão com o Supertonic original e com o SuperClonica, e comparamos velocidade e som.
Em resumo: o SuperClonica é 1,7 vez mais rápido numa placa de vídeo e 1,6 vez num processador, começa a falar após 0,08 s em vez de meio segundo, remove o ruído de fundo nas pausas e corta muito menos finais. Abaixo estão as medições, os casos em que o original é melhor e todas as gravações, para você ouvir.
Velocidade
Os dois motores rodaram no mesmo processo e se revezaram em cada frase, trocando a ordem a cada vez, de modo que a carga de fundo do computador desacelerou os dois por igual. Cada chamada recebeu uma semente nova, como num chat em que cada frase é diferente. Os dois motores foram criados antes e aquecidos.
Na placa de vídeo o ganho vem dos grafos CUDA: o modelo inteiro é gravado uma vez e depois executado com um único comando. No processador os modelos foram reescritos para cálculo multithread. O SuperClonica foi mais rápido em todas as 10 frases na placa de vídeo e em todas as 24 frases no processador.
| Supertonic | SuperClonica | |
|---|---|---|
| Placa de vídeo, mediana por frase | 202 ms | 117 ms |
| Placa de vídeo, as 10 frases em sequência | 2,03 s | 1,19 s |
| Processador, mediana por frase | 855 ms | 530 ms |
| Processador, 24 frases em 8 idiomas em sequência | 22,03 s | 14,39 s |
Som
O modelo é o mesmo, então a voz e a entonação coincidem. A diferença está no que acontece em volta das palavras: o silêncio nas bordas, o ruído nas pausas e os sons soltos que o modelo às vezes acrescenta.
O gráfico mostra uma frase numa escala de tempo comum. O original mantém meio segundo de silêncio antes da primeira palavra e mais de meio segundo depois da última; o SuperClonica deixa 0,08 e 0,2 s, então a fala começa mais cedo. O ruído de fundo nas pausas entre palavras também é removido.
| Nas 10 frases de exemplo | Supertonic | SuperClonica |
|---|---|---|
| Silêncio antes da primeira palavra (mediana) | 0,50 s | 0,08 s |
| Silêncio depois da última palavra (mediana) | 0,63 s | 0,20 s |
| Duração total dos 10 arquivos | 37,6 s | 30,0 s |
| Fundo nas pausas entre palavras (mediana, em relação ao pico) | −48 dB | −92 dB |
O que nossos testes com milhares de gerações mostram
Dez frases são só uma amostra. Estes resultados vêm de testes próprios muito maiores.
- Sons extras no fim da frase. Depois da última palavra o modelo às vezes acrescenta um clique, uma respiração, um zumbido ou uma sílaba a mais. Em dois testes com 1800 e 1392 frases (12 e 18 idiomas, reconhecimento com Whisper) houve 27 e 26 finais assim. Depois da limpeza do SuperClonica restaram 0 e 3.
- Palavras não são cortadas. A limpeza é conferida com a saída bruta do modelo por um reconhecedor de fonemas. Nas versões recentes são mais de 25 000 gerações em mais de 30 idiomas, sem nenhum corte confirmado de fala real.
- Menos tropeços em textos longos. O SuperClonica divide o texto em trechos de até 160 caracteres em pausas naturais; o original divide a cada 300. Uma palavra repetida apareceu 1 vez em 1800 gerações com trechos de até 160 caracteres, e em 1–4% dos casos com trechos de 200–290 caracteres.
- Sem clipping. O modelo às vezes gera picos acima da escala máxima. Um limitador com antecipação reduz só esses picos.
Menos finais cortados
O modelo às vezes corta o último som em volume total, como se a gravação fosse desligada no meio da palavra. Soa como um clique ou um final engolido. O SuperClonica leva esses finais a um esmaecimento natural e preserva o próprio som.
Usamos frases de chat com 4 vozes padrão cada, com a mesma voz e semente nos dois motores. Contamos como corte uma queda de volume de mais de 25 dB em 2 ms no fim da fala. Abaixo há três exemplos com o fim da frase ampliado; a linha tracejada marca o fim da fala.
| Corte brusco no fim da frase | Supertonic | SuperClonica |
|---|---|---|
| Russo, 312 áudios | 37 · 11,9% | 3 · 1,0% |
| Inglês, 300 áudios | 53 · 17,7% | 6 · 2,0% |
| Alemão, 132 áudios | 14 · 10,6% | 0 · 0,0% |
| Total, 744 áudios | 104 · 14,0% | 9 · 1,2% |
Números
O original passa os algarismos ao modelo como estão. O modelo lê bem números pequenos, mas em alguns idiomas erra os grandes. O SuperClonica fala os números por extenso em 27 idiomas.
Os números foram testados numa frase com 3, 25, 2024 e 150, duas sementes por idioma, reconhecimento com Whisper.
| Idioma | Supertonic | SuperClonica |
|---|---|---|
| es | “150” virou algo ininteligível nas duas sementes | correto |
| fr | “150” soa como “105” nas duas sementes | correto |
| de | em uma semente “150” virou “eine 50” | correto |
| pl | em uma semente “2024” saiu deformado | correto |
| ru, uk, it | correto | correto |
Ouça você mesmo
Todas as frases da medição. Abaixo de cada gravação está seu envelope de volume, com o silêncio antes e depois da fala sombreado.
Quando o Supertonic original é melhor
O SuperClonica não ganha em tudo. Estas são as contrapartidas que conhecemos.
- Inicialização. Ao iniciar, o SuperClonica verifica os grafos CUDA na placa de vídeo e reescreve os modelos para o processador, então demora mais para começar: 9,5 s contra 1,2 s na placa de vídeo e 4,0 s contra 0,9 s no processador. Vale criar o motor uma vez e mantê-lo.
- Parágrafos longos na placa de vídeo. O texto é dividido em trechos de até 160 caracteres, então um parágrafo longo pode sair um pouco mais lento que no original; na nossa medição isso não aconteceu. Em troca, há menos tropeços.
- Números sem declinação. Em russo, «в 2024 году» é lido com o número cardinal em vez do ordinal, e anos em inglês soam como números comuns. O parâmetro numbers=False passa os algarismos ao modelo como no original.
Como medimos
Supertonic 1.3.1 (modelo supertonic-3) sem processamento contra SuperClonica 0.6.23 com as configurações padrão. Os dois motores rodaram na velocidade 1,05 com 8 passos, e cada frase teve a mesma voz e semente nos dois. Placa de vídeo RTX 5070 Ti, ONNX Runtime GPU 1.26 (10 rodadas). Processador Ryzen 7 5800X, 4 threads para ambos, 24 frases de chat em 8 idiomas (2 rodadas).
O computador era de uso diário, com aplicativos abertos. Numa máquina livre os milissegundos absolutos são menores, mas a proporção se mantém. As métricas de som vêm de um teste separado na placa de vídeo; silêncio e fundo são medidos em quadros de 10 ms em relação ao pico da frase.
O SuperClonica é um derivado independente do Supertonic, não uma versão oficial da Supertone. O modelo Supertonic 3 é distribuído sob sua própria licença.