Treine sua própria voz TTS na sua GPU NVIDIA
Treinar um modelo de texto em fala do zero exige horas de gravações limpas e hardware pesado. A maioria não precisa disso: precisa de uma voz nova para um bom modelo falar. É isso que a SuperClonica treina: uma voz para o Supertonic 3, um modelo aberto e multilíngue, a partir de uma única gravação limpa de 5 a 10 segundos.
Este guia mostra do que você precisa, como conectar seu computador com placa de vídeo NVIDIA como worker, como o treinamento funciona no estúdio e como usar ou vender a voz pronta. Treinar no seu próprio hardware é grátis.
O que é treinado e por que é rápido
O modelo base já sabe falar 31 idiomas. O treinamento encontra uma voz para ele: um pequeno arquivo JSON que descreve o timbre e o jeito da sua gravação. Por isso uma referência curta basta, e por isso a voz pronta funciona offline em um processador comum.
Requisitos do computador
O cliente do worker roda no Windows; o modo é escolhido no cartão do worker, e no modo Auto o worker espera memória livre e passa para Mini depois de 15 minutos.
- Windows 10/11 (64 bits), placa NVIDIA RTX série 20 ou mais nova (GTX 16 também serve), driver 580 ou mais novo.
- Qualidade total: placa de vídeo com 12 GB de memória (melhor 16 GB) e 32 GB de RAM.
- Modo Mini: 8 GB de memória de vídeo e 16 GB de RAM; a voz fica um pouco menos parecida.
- 15 GB livres em disco e o arquivo de paginação do Windows ativado.
Passo 1: crie a voz e a referência
No estúdio, crie uma voz e adicione uma referência: uma gravação limpa de 5 a 10 segundos com o texto exato, palavra por palavra. Grave num cômodo silencioso, um só falante, volume estável, no jeito que a voz deve ter. Use a sua voz ou a de alguém que concordou.
Passo 2: conecte seu computador como worker
Abra Meus workers, adicione um worker e baixe o SuperClonicaWorker.zip: o cliente com o seu worker.json, que tem o endereço da plataforma e o seu token pessoal. Descompacte e execute o SuperClonicaWorker.exe. Na primeira execução ele baixa o resto e depois se atualiza sozinho. O worker treina só as suas vozes.
Passo 3: treine e compare checkpoints
Clique em Treinar na referência, escolha o número de passos e comece; a página estima quanto 500 passos levam com base em treinamentos anteriores. Durante o treinamento, compare os checkpoints pelas demos e pela semelhança com a referência, e continue treinando o mais promissor.
Passo 4: use ou venda a voz
Baixe o JSON de graça na página do treinamento e gere qualquer texto offline com o motor gratuito SuperClonica: python -m pip install superclonica-cpu, depois superclonica --text "Olá!" --voice minha-voz.json --lang pt --output ola.wav. Se quiser, publique a voz no catálogo com capa, descrição e preço, ou aceite encomendas de vozes de outros usuários na bolsa.