Uma alternativa ao Bark e ao Tortoise TTS que roda na CPU
O Bark e o Tortoise TTS mostraram como a síntese de voz de código aberto podia soar natural, e ainda são baixados todos os dias. Em produção, é difícil conviver com eles: o Bark improvisa, o Tortoise exige placa de vídeo NVIDIA e paciência, e nenhum dos repositórios é atualizado desde 2024.
O motor gratuito SuperClonica roda o modelo Supertonic 3 num processador comum, lê o texto como está escrito e gera textos longos com rapidez. Este guia compara os três com honestidade, inclusive onde o Bark ou o Tortoise ainda são melhores.
Por que procurar uma alternativa
Ambos são projetos de pesquisa importantes; o problema começa com textos longos, muitas falas e computadores comuns.
- O Bark é um modelo de texto para áudio que, segundo os autores, pode se desviar do roteiro de formas inesperadas.
- O Bark precisa de cerca de 12 GB de memória de vídeo, ou 8 GB com os modelos menores, e é bem mais lento num processador.
- O Tortoise exige uma placa de vídeo NVIDIA no seu computador e foi feito para qualidade, não para velocidade.
- Os dois repositórios foram atualizados pela última vez em 2024.
Compare o som grátis
Na página de qualquer voz, cole uma frase que você gerou com o Bark ou o Tortoise, de 30 a 100 caracteres, escolha o idioma e clique no botão para gerar. Em poucos segundos dá para comparar, sem conta.
O que muda com a SuperClonica
Um resultado previsível importa mais quando centenas de falas precisam ser conferidas de ouvido.
- Instale com um comando: python -m pip install superclonica-cpu, ou rode a imagem Docker como serviço HTTP.
- Uma frase curta leva bem menos de um segundo num processador comum; nos nossos testes, 0,43 s em quatro threads de um Ryzen 7 5800X.
- O texto é lido como escrito, sem sons improvisados, e o mesmo seed repete a mesma tomada.
- Textos longos são divididos em pausas naturais e unidos num só arquivo.
Presets, trechos e vozes treinadas
O Bark oferece mais de 100 presets de locutor, mas não clona a sua própria voz. O Tortoise copia uma voz a partir de trechos de referência a cada geração, na placa de vídeo. A SuperClonica tem dez vozes padrão e mais de 170 vozes no catálogo, cada uma com demo grátis; a sua própria voz é treinada uma vez no estúdio da SuperClonica a partir de uma gravação limpa de 5 a 10 segundos de um locutor que concordou, num computador com placa de vídeo NVIDIA, ou encomendada na bolsa. Depois, ela roda em qualquer processador.
Quando o Bark ou o Tortoise ainda são melhores
Escolha o Bark se precisar de risadas, suspiros, música ou efeitos sonoros dentro do áudio, ou de chinês, que o Supertonic 3 não fala. Escolha o Tortoise se quiser copiar uma voz de poucos trechos na hora e tiver uma placa NVIDIA para cada geração. Escolha a SuperClonica para fala limpa e previsível em 31 idiomas, em volume e com hardware comum.