OuteTTS, Llasa, MegaTTS3 e MaskGCT: uma comparação honesta
OuteTTS, Llasa, MegaTTS3 e MaskGCT são modelos abertos de pesquisa que clonam uma voz a partir de uma gravação curta, e costumam aparecer juntos quando alguém procura uma alternativa auto-hospedada às vozes na nuvem. Antes de construir sobre um deles, importam sobretudo duas coisas: quais idiomas ele fala e o que a licença permite.
Este guia resume os cartões dos modelos e explica quando o SuperClonica, baseado no pequeno modelo Supertonic 3, é a escolha mais simples.
OuteTTS 1.0
O OuteTTS 1.0 1B é baseado no Llama 3.2 1B, fala 23 idiomas, 12 deles com treino forte, e clona uma voz a partir de uns 10 segundos de áudio; uma versão GGUF roda com llama.cpp. A licença combina a Llama 3.2 Community License com CC-BY-NC-SA 4.0 para os acréscimos da OuteAI, então o uso comercial é restrito.
Llasa
O Llasa existe nos tamanhos 1B, 3B e 8B baseados em modelos Llama, foi treinado com 250.000 horas de fala em chinês e inglês e clona a partir de uma amostra em 16 kHz. Ele fala chinês e inglês, e a licença CC BY-NC 4.0 proíbe o uso comercial livre.
MegaTTS3 e MaskGCT
O MegaTTS3, da ByteDance, é Apache-2.0 e fala inglês e chinês, mas o codificador WaveVAE não foi publicado, então ele só clona a partir de latentes já extraídos, e o cartão diz que é voltado principalmente a fins acadêmicos; na CPU é lento. O MaskGCT, da Amphion, é um modelo zero-shot totalmente não autorregressivo treinado com cerca de 100.000 horas de fala em inglês e chinês, sob CC-BY-NC 4.0.
Quando o SuperClonica combina melhor
Se você precisa de uso comercial, mais idiomas ou um computador sem GPU, o SuperClonica é mais simples: o Supertonic 3 roda em um processador comum, cada voz fala 31 idiomas, as dez vozes padrão são grátis sob OpenRAIL-M, as vozes do catálogo custam US$ 2,99 uma vez e o estúdio treina a sua voz a partir de uma gravação de 5 a 10 segundos. Teste qualquer voz grátis na página dela com 30 a 100 caracteres ou instale o motor com python -m pip install superclonica-cpu.