Uma alternativa ao Dia, Orpheus e Sesame CSM que roda na CPU
Dia, Orpheus TTS e Sesame CSM levaram ideias dos grandes modelos de linguagem para a fala: diálogos vivos, risadas, tags de emoção e streaming rápido. Eles também têm um requisito em comum: uma placa de vídeo NVIDIA e, no caso do Dia, só texto em inglês.
O motor gratuito SuperClonica roda o modelo menor Supertonic 3 num processador comum, 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 conversa expressiva em inglês numa placa de vídeo, estão entre os modelos abertos mais impressionantes.
- Dia, com 1,6 bilhão de parâmetros, escreve diálogos inteiros a partir de um roteiro com tags de falante [S1] e [S2] e pode rir ou tossir; suporta só inglês e foi testado em GPUs.
- Orpheus TTS é baseado num modelo Llama de 3 bilhões de parâmetros, aceita tags de emoção e faz streaming com cerca de 200 ms de latência; roda com vLLM, em placa de vídeo.
- Sesame CSM, com 1 bilhão de parâmetros, precisa de uma placa de vídeo com CUDA e acesso ao modelo Llama 3.2 1B.
- Os três usam a licença Apache 2.0.
Compare o som grátis
Na página de qualquer voz, cole uma frase que você gerou com Dia, Orpheus ou CSM, 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
Textos longos são divididos em pausas naturais e unidos num só arquivo, então um capítulo ou roteiro entra numa única chamada.
- Instale com um comando: python -m pip install superclonica-cpu, ou rode a imagem Docker como serviço HTTP.
- Roda num processador comum: nos nossos testes, uma frase curta levou 0,43 s em quatro threads de um Ryzen 7 5800X.
- 31 idiomas, incluindo português, espanhol, alemão, francês, japonês e coreano; o chinês ainda não é suportado.
- O texto é lido como escrito, e o mesmo seed repete a mesma tomada.
Vozes: prompts, presets e vozes treinadas
O Dia mantém um falante com um prompt de áudio ou um seed fixo; o Orpheus traz vozes predefinidas; o CSM recebe áudio de contexto. 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 e nos 31 idiomas.
Qual escolher
Escolha Dia, Orpheus ou CSM para conversa expressiva em inglês com risadas e tags de emoção, ou para um agente de voz com streaming, se tiver placa de vídeo para cada requisição. Escolha a SuperClonica para fala limpa em 31 idiomas em servidores e notebooks comuns, para vozes prontas de personagens e narradores e para grandes volumes sem placa de vídeo.