Uma alternativa ao Kitten TTS: Supertonic 3 num processador comum
O Kitten TTS, da KittenML, é um dos projetos abertos de texto para fala mais populares, sob licença Apache 2.0. Tem duas famílias: modelos ONNX minúsculos de 15 a 80 milhões de parâmetros com oito vozes, que rodam na CPU, e o Kitten-TTS 2, um modelo de 1 bit com 1,7 bilhão de parâmetros, 115 vozes, clonagem de voz com 5 a 30 segundos de áudio, tags de emoção e 20 idiomas.
A SuperClonica roda o Supertonic 3, um modelo aberto de cerca de 99 milhões de parâmetros, em 31 idiomas num processador comum. Este guia compara os dois com honestidade; não medimos o Kitten TTS, então não há números de velocidade ou qualidade para ele aqui, só fatos do repositório.
Onde o Kitten TTS se destaca
O Kitten-TTS 2 clona uma voz a partir de um trecho curto sem ajuste fino, controla a expressão com tags e fala chinês, suaíli e hebraico, que o Supertonic 3 não fala. O modelo nano tem só 15 milhões de parâmetros, 25 MB em int8, pequeno o bastante para aparelhos bem fracos. A KittenML também oferece uma API grátis do Kitten-TTS 2.
O que cada um exige
Segundo o README, o Kitten-TTS 2 pede uma GPU CUDA com cerca de 8 GB livres ou uma CPU com cerca de 6 GB de RAM, e uns 2 GB de disco. O Supertonic 3 tem cerca de 99 milhões de parâmetros; estimamos o motor da SuperClonica entre 6,4 e 9,7 vezes mais rápido que o tempo real numa CPU de desktop de 8 núcleos. Instale com python -m pip install superclonica-cpu e rode superclonica --text "Olá" --voice F1 --lang pt --output hello.mp3.
Idiomas e vozes
O Supertonic 3 fala 31 idiomas, entre eles polonês, tcheco, ucraniano, vietnamita e indonésio, e cada voz fala todos. A SuperClonica soma 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 Kitten TTS para clonar uma voz de um trecho, tags de emoção, chinês ou o menor modelo possível. Escolha a SuperClonica para um modelo leve de CPU em 31 idiomas com vozes de personagens prontas, vozes treinadas no estúdio e uma API de voz com 3 minutos grátis por dia.