Uma alternativa ao XTTS v2: o que mudou depois da Coqui
O XTTS v2 da Coqui ainda é um dos modelos de voz abertos mais conhecidos: clona uma voz com um trecho de 6 segundos e fala 17 idiomas. Duas coisas levam as pessoas a buscar uma alternativa: os pesos estão sob a Coqui Public Model License, que só permite uso não comercial, e a empresa que poderia vender uma licença comercial fechou na virada para 2024.
O motor gratuito da SuperClonica roda o modelo Supertonic 3 em 31 idiomas num processador comum, e suas vozes padrão podem ser usadas comercialmente. Este guia compara os dois com honestidade e diz quando o XTTS v2 continua sendo a melhor escolha.
XTTS v2 em resumo
O XTTS v2 imita uma voz na hora da geração a partir de uma amostra curta, então qualquer gravação vira voz em segundos. Ele cobre inglês, espanhol, francês, alemão, italiano, português, polonês, turco, russo, holandês, tcheco, árabe, chinês, japonês, húngaro, coreano e hindi, e gera áudio a 24 kHz. O código segue no fork da comunidade idiap/coqui-ai-TTS, instalado como coqui-tts sob a licença MPL 2.0, mas essa licença cobre o código, não o modelo: a CPML permite os pesos e o áudio que eles produzem só quando você não recebe nenhum pagamento direto ou indireto. Funciona melhor numa placa de vídeo NVIDIA.
Compare o som de graça
Na página de qualquer voz do catálogo, cole uma frase que você gerou no XTTS v2, de 30 a 100 caracteres, escolha o idioma e clique em Gerar. Em segundos dá para comparar, sem conta.
O que a SuperClonica faz diferente
A geração roda num processador comum: nos nossos testes uma frase curta levou 0,43 s em quatro threads de um Ryzen 7 5800X, e uma placa de vídeo só deixa mais rápido. Fala 31 idiomas, incluindo sueco, grego, ucraniano, vietnamita e indonésio, que o XTTS v2 não tem, mas ainda não chinês. As dez vozes padrão, M1 a M5 e F1 a F5, podem ser usadas comercialmente pela licença do modelo OpenRAIL-M. Instale com python -m pip install superclonica-cpu, ou use as mesmas vozes pela API da SuperClonica sem rodar nada você mesmo.
Sua própria voz
O XTTS v2 clona a partir de uma amostra toda vez que fala. 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 a um autor que a treina. Depois ela é um arquivo pequeno que fala offline em qualquer processador. Clone só a sua própria voz ou a de alguém que concordou; vozes treinadas com consentimento podem ser usadas comercialmente, vozes de personagens só em projetos de fãs e paródia.
Qual escolher
Escolha o XTTS v2 para um projeto pessoal ou de pesquisa que precisa de clonagem instantânea a partir de uma amostra, para chinês e se você tem uma placa de vídeo NVIDIA. Escolha a SuperClonica para tudo pelo que você é pago, para idiomas que o XTTS v2 não tem, para vozes prontas de personagens e narradores e para implantação simples em servidores comuns. Nada impede testar os dois antes com o mesmo texto.