Uma alternativa ao Soprano, Kani TTS e Marvis TTS
Uma nova onda de modelos abertos e pequenos de texto para fala mira fala em tempo real em hardware modesto. O Soprano 1.1 tem 80 milhões de parâmetros e só fala inglês; o Kani TTS 370M fala seis idiomas, incluindo chinês; o Marvis TTS 250M transmite fala em inglês, francês e alemão e clona uma voz a partir de áudio de referência.
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 os medimos, então os números de velocidade abaixo são alegações deles.
Soprano 1.1
Um modelo Apache 2.0 de 80 milhões de parâmetros que diz chegar a 2000 vezes o tempo real na GPU e 20 na CPU, transmite com menos de 250 ms de latência na CPU e usa menos de 1 GB de memória. A ficha diz que ele só fala inglês, não clona vozes e foi treinado com cerca de 1.000 horas de áudio, então pode errar palavras raras.
Kani TTS 370M
Um modelo de 370 milhões de parâmetros a 22 kHz para inglês, alemão, chinês, coreano, árabe e espanhol, que precisa de cerca de 2 GB de memória de GPU. Confira a licença antes do uso comercial: os metadados da ficha citam a licença LFM 1.0 e o texto diz Apache 2.0.
Marvis TTS 250M
Um modelo conversacional Apache 2.0 com base de 250M e decodificador de áudio de 60M, feito para streaming em tempo real em aparelhos como iPhone e iPad. É otimizado para inglês, francês e alemão e clona uma voz a partir de áudio de referência.
Onde a SuperClonica entra
O Supertonic 3 fala 31 idiomas e cada voz fala todos, com cerca de 190 vozes de catálogo, de narradores a personagens de games e anime, compradas uma vez; as dez vozes padrão são grátis e de uso comercial. Estimamos o motor entre 6,4 e 9,7 vezes 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; qualquer página de voz também gera uma frase grátis.
Qual escolher
Soprano para o inglês mais rápido em hardware mínimo, Kani para chinês ou coreano com GPU, Marvis para streaming e clonagem em três idiomas europeus. SuperClonica para 31 idiomas na CPU, vozes de personagens prontas, vozes treinadas no estúdio e uma API com 3 minutos grátis por dia.