Texto para fala que roda no seu próprio computador
O SuperClonica é um catálogo de vozes para o Supertonic 3, um modelo aberto de síntese de fala que roda em um processador comum, e também o motor SuperClonica, que faz essas mesmas vozes falarem mais rápido. Uma voz é um único arquivo JSON. Você baixa uma vez e converte texto em voz no seu próprio computador: nenhum servidor recebe o seu texto, e a síntese continua funcionando sem internet.
A seguir: como funciona o TTS local, qual é a velocidade, o que é grátis, como conseguir uma voz a partir de uma gravação específica e quando um serviço na nuvem ou um modelo maior atende melhor.
Como funciona a síntese de fala local com o Supertonic 3
O Supertonic 3 é um modelo de pesos abertos da Supertone, com cerca de 99 milhões de parâmetros. Ele roda com ONNX Runtime e, segundo os autores, não precisa de GPU. Fala 31 idiomas, entre eles português, inglês, espanhol, francês, alemão, italiano, japonês e coreano. O chinês ainda não é suportado.
O arquivo de voz guarda só o perfil da voz. Para gerar áudio, você também precisa de um motor (o cliente padrão do Supertonic 3 ou o SuperClonica) e do modelo base, com cerca de 400 MB. A instalação exige internet; depois disso, a síntese acontece localmente.
- Computador: Windows, macOS e Linux, no CPU.
- Navegador: aplicações web via ONNX Runtime Web.
- Celular: aplicativos compatíveis.
- Seu produto: jogos, bots e serviços nos seus próprios servidores.
Qual a velocidade do texto para fala no CPU?
A Supertone informa para o Supertonic 3 um fator de tempo real (RTF) de 0,20 em um CPU de 16 threads: um segundo de áudio é gerado em 0,2 segundo. Para um processador de desktop de 8 núcleos como o Ryzen 7 7800X3D, estimamos o Supertonic 3 de 4 a 6 vezes mais rápido que o tempo real, e o SuperClonica de 6,4 a 9,7 vezes. Uma frase de 10 segundos fica pronta em cerca de 1,0 a 1,6 segundo.
A vantagem do motor foi medida: em média 61% mais rápido que o Supertonic 3 no CPU (Ryzen 7 5800X) e 73% na placa de vídeo (RTX 5070 Ti), com as mesmas configurações. Os silêncios entre as palavras ficam sem chiado, os finais de frase soam mais limpos e textos longos são lidos em partes curtas, então há menos palavras repetidas ou cortadas. As vozes do Supertonic 3 funcionam sem conversão.
Vozes prontas, grátis ou clonadas a partir de uma gravação
O catálogo reúne vozes de autores independentes: personagens de jogos, narradores, vozes de conversa, todas com demos. Os autores definem os preços em dólares americanos, e algumas vozes são grátis. Uma voz comprada é para os seus próprios projetos; revender não é permitido.
Para ter uma voz parecida com uma gravação específica, há dois caminhos. Os dois levam mais tempo que a clonagem instantânea na nuvem, mas o resultado é um arquivo que depois roda rápido em qualquer lugar. Use apenas gravações sobre as quais você tem direitos e com o consentimento de quem fala.
- Encomendar uma voz: envie uma referência, descreva o som e defina um orçamento. Os autores mandam propostas; o orçamento fica reservado no seu saldo até você aceitar o resultado.
- Clonar voz por conta própria, grátis: uma gravação limpa de 5 a 10 segundos com a transcrição exata, seu próprio computador com GPU NVIDIA como worker e checkpoints para comparar. O JSON é baixado de graça.
- Vender o que você treinou: adicione capa, descrição e preço. A receita, descontada a comissão da plataforma, cai no seu saldo em dólares.
TTS local ou texto para fala na nuvem?
Serviços na nuvem como o ElevenLabs geram a voz nos próprios servidores: app web, API, clonagem rápida, muitos idiomas e nada para instalar. Em troca, todo texto passa pela rede, o uso é descontado de um plano e nada funciona offline.
Com um arquivo de voz local é o contrário: o texto fica no seu dispositivo, não há ida e volta pela rede e ninguém conta seus caracteres. O preço é um pouco de instalação e um modelo mais modesto: 31 idiomas, sem chinês e com menos controle de emoção.
Fish Audio S2 Pro, OmniVoice e VoxCPM 2 recebem na nossa tabela nota de qualidade igual ou maior e cobrem mais idiomas, mas pelas nossas estimativas rodam de 2 a 10 vezes mais devagar que o tempo real em um CPU de desktop.
Para quem é o texto para fala local
Perfis comuns:
- Estúdios de jogos que geram as falas dos NPCs no computador do jogador.
- Criadores de vídeo e narradores de audiolivros que convertem textos longos em voz no notebook.
- Desenvolvedores que precisam de voz no navegador ou em servidores sem GPU.
- Equipes cujos documentos não podem sair da rede da empresa.
- Autores de vozes que treinam vozes para vender ou aceitar encomendas.
Conta e pagamento
O acesso é pelo GitHub, sem documento nem telefone. O pagamento é feito em criptomoedas, o saldo fica em dólares americanos e nunca recebemos dados de cartão.
SuperClonica comparado a outros modelos de TTS
Nossa tabela avalia qualidade, velocidade no CPU, estabilidade do timbre e idiomas. Estrelas e velocidades são estimativas aproximadas para um CPU de desktop, não resultados de medição.
- Fish Audio S2 Pro: maior nota de qualidade e mais de 80 idiomas; no CPU, de 4 a 10 vezes mais lento que o tempo real.
- Qwen3-TTS: chinês e clonagem com 3 segundos; 10 segundos de fala levam de 10 a 20 segundos (0.6B).
- OmniVoice: mais de 600 idiomas; de 2 a 5 vezes mais lento que o tempo real.
- VoxCPM 2: 30 idiomas e áudio em 48 kHz; de 2 a 4 vezes mais lento que o tempo real.
- F5-TTS: clonagem zero-shot em chinês e inglês; de 5 a 15 vezes mais lento que o tempo real.