Uma alternativa ao Pocket TTS: 31 idiomas, vozes prontas e uma API hospedada
O Pocket TTS é um modelo aberto e pequeno de texto para fala da Kyutai: cerca de 100 milhões de parâmetros, tempo real num processador comum de notebook e clonagem de voz a partir de uma gravação WAV curta. Ele fala seis idiomas: inglês, francês, alemão, português, italiano e espanhol.
A SuperClonica se baseia no Supertonic 3, um modelo da mesma faixa de tamanho que fala 31 idiomas, e acrescenta um catálogo de 190 vozes feitas por autores, um motor gratuito que roda offline e uma API hospedada. Este guia compara os dois com honestidade e diz quando cada um serve.
O Pocket TTS em resumo
Segundo a ficha do modelo, o Pocket TTS tem cerca de 100M de parâmetros, roda umas 6 vezes mais rápido que o tempo real num processador MacBook Air M4 com dois núcleos e entrega o primeiro trecho de áudio em cerca de 200 ms. Ele clona uma voz a partir de um arquivo WAV que você passa; a ficha recomenda limpar a amostra antes, porque a qualidade dela é herdada. Os pesos são publicados sob CC-BY 4.0 e têm acesso condicionado: você aceita as condições no Hugging Face antes de baixar. As regras proíbem clonar uma voz sem consentimento explícito e legal.
Onde a SuperClonica é diferente
Idiomas: o Supertonic 3 fala 31, entre eles russo, japonês, coreano, árabe, hindi, polonês e turco, que o Pocket TTS não cobre; nenhum dos dois fala chinês.
Vozes: em vez de clonar um trecho a cada requisição, as vozes da SuperClonica são arquivos de estilo treinados. Escolha uma das 190 vozes do catálogo, ouça e gere grátis uma frase de teste online, ou treine a sua própria voz com uma gravação no estúdio.
Hospedagem: além do motor gratuito offline, a API de voz da SuperClonica roda as vozes para você, devolve o áudio em streaming a partir de cerca de 300 ms nas nossas medições e custa US$ 5 por mês para até 216 horas de áudio, com uma chave gratuita para um minuto por dia.
Qual escolher
Escolha o Pocket TTS se precisa de clonagem instantânea com alguns segundos de áudio num dos seis idiomas dele e quer rodar tudo por conta própria. Escolha a SuperClonica se precisa de mais idiomas, vozes prontas de personagens e narradores ou uma API hospedada com streaming sem manter servidor. Os dois rodam na CPU, então dá para testar cada um no seu computador.