Uma alternativa ao GLM-TTS e ao Maya-1 que roda na CPU
O GLM-TTS e o Maya-1 são dois modelos abertos e expressivos de texto para fala baseados em grandes modelos de linguagem. O GLM-TTS, sob licença MIT, clona uma voz com 3 a 10 segundos de áudio, controla a emoção com aprendizado por reforço e é otimizado para texto misto em chinês e inglês. O Maya-1 tem cerca de 3,3 bilhões de parâmetros e cria uma voz a partir de uma descrição escrita, com mais de 20 emoções e estilos.
A SuperClonica roda o Supertonic 3, cerca de 99 milhões de parâmetros, em 31 idiomas num processador comum. Este guia compara os modelos com fatos das fichas; não medimos o GLM-TTS nem o Maya-1, então não há números de velocidade ou qualidade para eles.
GLM-TTS
Um sistema em duas etapas: um modelo de linguagem baseado no Llama transforma o texto em tokens de fala, e depois um decodificador gera o áudio. Ele clona qualquer falante com um trecho de 3 a 10 segundos, transmite para apps interativos e usa aprendizado por reforço para deixar prosódia e emoção mais naturais. Brilha em texto misto em chinês e inglês, sob a licença permissiva MIT.
Maya-1
Em vez de clonar ou escolher um preset, você descreve a voz com palavras, como idade, timbre, sotaque e ritmo, e acrescenta marcações expressivas no texto. A ficha indica cerca de 3,3 bilhões de parâmetros e Apache 2.0 nos metadados do repositório, com notas sobre licenças de componentes que vale ler antes do uso comercial.
O que a SuperClonica faz diferente
O Supertonic 3 tem cerca de 99 milhões de parâmetros, pequeno o bastante para uma CPU comum; estimamos o motor entre 6,4 e 9,7 vezes o tempo real num processador de desktop de 8 núcleos. Ele fala 31 idiomas e cada voz fala todos. Instale com python -m pip install superclonica-cpu e rode superclonica --text "Olá" --voice F1 --lang pt --output hello.mp3.
Vozes prontas em vez de prompts
Em vez de clonar ou descrever uma voz toda vez, a SuperClonica oferece cerca de 190 vozes de catálogo, de narradores e locutores a personagens de games e anime, cada uma um arquivo pequeno comprado uma vez; as dez vozes padrão são grátis e de uso comercial. Qualquer página de voz gera de graça uma frase de 30 a 100 caracteres.
Qual escolher
Escolha o GLM-TTS para chinês, clonagem rápida e emoção, e o Maya-1 para criar vozes novas a partir de texto, se tiver GPU para modelos grandes. Escolha a SuperClonica para 31 idiomas na CPU, vozes de personagens prontas e uma API de voz com 3 minutos grátis por dia.