Uma alternativa ao StyleTTS 2 e ao Parler-TTS em 31 idiomas
StyleTTS 2 e Parler-TTS são dois projetos abertos de texto em fala bem conhecidos. O artigo do StyleTTS 2 relata avaliações em nível humano em conjuntos de dados em inglês, e o Parler-TTS, da Hugging Face, permite descrever uma voz com palavras. Os dois são antes de tudo código de pesquisa: o repositório do StyleTTS 2 foi atualizado pela última vez em 2024, e o do Parler-TTS em dezembro de 2024.
O motor gratuito SuperClonica é um pacote pip que roda num processador comum, fala 31 idiomas e vem com um catálogo de vozes prontas. Este guia compara os dois com honestidade e diz quando o StyleTTS 2 ou o Parler-TTS é a melhor escolha.
StyleTTS 2 e Parler-TTS em resumo
Para pesquisa em inglês, testes de ajuste fino ou vozes descritas em palavras, os dois são ferramentas sérias.
- StyleTTS 2: modelos em inglês treinados no LJSpeech e no LibriTTS, código sob licença MIT e transferência de estilo a partir de um clipe de referência com o modelo LibriTTS.
- Os modelos pré-treinados têm uma condição: avisar o público que a fala é sintetizada, a menos que você tenha permissão para usar a voz. A inferência depende do fonemizador espeak-ng, sob GPL.
- Parler-TTS: Mini, com 880 milhões de parâmetros, e Large, com 2,3 bilhões, em inglês, mais o Mini Multilingual v1.1 em oito idiomas europeus, todos sob Apache 2.0.
- Uma voz do Parler-TTS é definida por uma descrição de gênero, ritmo e tom, ou por um de 34 locutores com nome.
Compare o som grátis
Na página de qualquer voz, cole uma frase que você gerou com o StyleTTS 2 ou o Parler-TTS, de 30 a 100 caracteres, escolha o idioma e clique no botão para gerar. Em poucos segundos você compara no seu próprio texto, sem conta.
O que a SuperClonica faz diferente
Roda num processador comum: nos nossos testes, uma frase curta levou 0,43 s em quatro threads de um Ryzen 7 5800X.
- 31 idiomas, incluindo russo, japonês, coreano, turco, hindi e árabe; o chinês não está entre eles.
- Vozes prontas: dez vozes padrão e mais de 170 vozes do catálogo com demos grátis.
- Cada voz é um arquivo JSON de cerca de 0,3 MB e fala todos os idiomas do modelo.
- Um comando para instalar, python -m pip install superclonica-cpu, ou uma imagem Docker com API HTTP.
Descrever uma voz ou treiná-la
O Parler-TTS recebe uma descrição nova a cada pedido, e o StyleTTS 2 adapta o estilo de um clipe de referência. Na SuperClonica, uma voz é treinada uma vez no estúdio a partir de uma gravação limpa de 5 a 10 segundos, num computador com placa de vídeo NVIDIA, ou encomendada na bolsa de pedidos a um autor que a treina. Depois ela roda em qualquer processador e nos 31 idiomas, com um traço do sotaque da gravação original. Clone só vozes cujos donos concordaram.
Qual escolher
Escolha o StyleTTS 2 para pesquisa e ajuste fino em inglês, e o Parler-TTS quando quiser descrever uma voz em palavras em inglês ou num dos seus oito idiomas europeus. Escolha a SuperClonica para os outros idiomas, para vozes prontas de narradores e personagens, para velocidade no processador e para uma instalação de um comando pip ou uma imagem Docker.