OmniVoice или SuperClonica: больше языков или больше скорости
OmniVoice из проекта k2-fsa — модель синтеза речи с клонированием без обучения и очень широким охватом: в документации перечислено 646 языков. Она клонирует голос по нескольким секундам записи и умеет создавать голос по набору признаков. SuperClonica знает намного меньше языков, 31, зато быстро работает на обычном процессоре и держит тембр стабильным от реплики к реплике.
Ниже — чем они отличаются и когда что выбирать.
Что хорошо умеет OmniVoice
OmniVoice построена по архитектуре в стиле диффузионной языковой модели, базовая модель — Qwen3-0.6B.
- Языки: 646 в официальном списке, 581 тысяча часов обучающих данных.
- Клонирование голоса по записи на 3–10 секунд с её текстом, без обучения.
- Дизайн голоса по признакам: пол, возраст, высота, акцент, шёпот. Авторы предупреждают, что этот режим обучен только на китайских и английских данных и в редких языках может работать нестабильно.
- Скорость на видеокарте: авторы указывают RTF до 0,025, то есть в 40 раз быстрее реального времени.
- Железо: поддерживаются видеокарты NVIDIA, Apple Silicon и Intel Arc.
OmniVoice на CPU: наша оценка скорости
На настольном 8-ядерном процессоре мы оцениваем OmniVoice в 2–5 раз медленнее реального времени: фраза на 10 секунд займёт 20–50 секунд. SuperClonica справится примерно за 1,0–1,6 секунды, то есть в 6,4–9,7 раза быстрее реального времени.
Отправная точка — omnivoice-server, HTTP-сервер для OmniVoice: он сообщает RTF 4,92 на CPU при 32 шагах, не называя процессор. Мы закладываем ускорение до 2,5 раза на быстром настольном CPU. Как и все скорости в нашей таблице, это оценка, а не замер.
Качество и стабильность тембра
В нашей таблице у OmniVoice и SuperClonica одинаковая оценка качества — 4,5 из 5. Разница в другом: производительность на CPU (2 против 5) и стабильность тембра (4 против 5). Стабильный тембр важен, когда один персонаж читает сотни реплик, как в играх и аудиокнигах.
Документация OmniVoice говорит о том же: клонирование — самый стабильный режим, а длинная референсная запись замедляет генерацию и может ухудшить результат.
Лицензия
Код OmniVoice выпущен под Apache 2.0, но в карточке модели сказано, что предобученная модель распространяется по CC-BY-NC из-за обучающих данных. По умолчанию это исключает коммерческое использование официальных весов.
Supertonic 3 выпущена под OpenRAIL-M — бесплатной лицензией со списком запрещённых применений вместо запрета на коммерцию. Голоса, купленные в SuperClonica, предназначены для ваших проектов, перепродавать их нельзя.
OmniVoice или SuperClonica для синтеза речи?
Сначала смотрите на язык, потом на железо.
- OmniVoice — если вашего языка нет среди 31 языка Supertonic 3, нужен китайский или мгновенное клонирование и есть видеокарта.
- SuperClonica — если речь должна генерироваться на процессоре, в браузере или в приложении, офлайн и быстро, одним и тем же голосом на тысячи реплик.