Uma alternativa ao CosyVoice, IndexTTS e Spark-TTS
CosyVoice, IndexTTS e Spark-TTS estão entre os modelos de fala abertos mais fortes baseados em ideias de modelos de linguagem: copiam uma voz a partir de um único trecho, seguem instruções de emoção e lidam muito bem com o chinês. São modelos grandes, normalmente rodados em placas de vídeo NVIDIA, e as listas de idiomas são curtas.
O motor gratuito SuperClonica roda o modelo menor Supertonic 3 num processador comum e em 31 idiomas, com um catálogo de vozes prontas. Este guia compara todos com honestidade e diz quando um dos três é a melhor escolha.
O que os três fazem bem
Para chinês, seus dialetos e clonagem instantânea a partir de um trecho, são ferramentas excelentes.
- O Fun-CosyVoice 3.0 cobre 9 idiomas, entre eles chinês, inglês, japonês, coreano, alemão, espanhol, francês, italiano e russo, mais de 18 dialetos chineses, e segue instruções de emoção e velocidade.
- O IndexTTS-2.5 clona uma voz a partir de um trecho de referência em chinês, inglês, japonês, espanhol e árabe, com controle fino de emoção.
- O Spark-TTS fala chinês e inglês e clona vozes entre os dois.
- As licenças variam: o CosyVoice é Apache 2.0 e o IndexTTS usa o bilibili Model Use License Agreement; confira cada modelo antes de uso comercial.
Compare o som grátis
Na página de qualquer voz, cole uma frase que você gerou com um deles, 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
O texto é lido como escrito, e o mesmo seed repete a mesma tomada, o que mantém projetos longos consistentes.
- 31 idiomas, incluindo português, polonês, holandês, turco, ucraniano, hindi, indonésio e vietnamita; o chinês não está entre eles.
- Roda num processador comum: nos nossos testes, uma frase curta levou 0,43 s em quatro threads de um Ryzen 7 5800X.
- Vozes prontas: dez vozes padrão e mais de 170 vozes no catálogo com demo grátis.
- Instale com um comando: python -m pip install superclonica-cpu, ou use a imagem Docker com API HTTP.
Copiar uma voz ou treiná-la
Os três copiam uma voz a partir de um trecho a cada geração. Na SuperClonica, uma voz é treinada uma vez no estúdio a partir de uma gravação limpa de 5 a 10 segundos, num computador com placa de vídeo NVIDIA, ou encomendada na bolsa a um autor que a treina. Depois ela roda em qualquer processador e nos 31 idiomas, com um traço do sotaque da gravação original. Clone só vozes cujos donos concordaram.
Qual escolher
Escolha CosyVoice, IndexTTS ou Spark-TTS para chinês e seus dialetos, para clonagem instantânea a partir de um trecho e para instruções de emoção, se tiver placa de vídeo. Escolha a SuperClonica para os muitos idiomas que eles não cobrem, para vozes prontas de personagens e narradores e para fala em volume em servidores e notebooks comuns.