СРАВНЕНИЕ МОДЕЛЕЙ

Piper TTS или SuperClonica: маленькие устройства или свои голоса

Piper — быстрая локальная нейросетевая система синтеза речи. Её знают как голос Home Assistant и как один из вариантов озвучки в экранном чтеце NVDA. Голоса обучаются на VITS и экспортируются в ONNX, а исходный проект был оптимизирован под Raspberry Pi 4. В октябре 2025 года исходный репозиторий отправили в архив, разработка продолжается в OHF-Voice/piper1-gpl под крылом Open Home Foundation.

SuperClonica тоже синтезирует речь локально, но с другим акцентом: голоса Supertonic 3 одним JSON-файлом, каталог авторских голосов и голоса на заказ. Piper нет в нашей сравнительной таблице, поэтому здесь только факты из официальных репозиториев и честный ответ, где что лучше.

Голоса с демо в каталоге Установить движок

Как устроен Piper

Каждый голос Piper — отдельная ONNX-модель с JSON-конфигом, обученная под один язык. Для перевода текста в фонемы Piper встраивает espeak-ng. Текущий пакет ставится командой pip install piper-tts, в нём есть утилита командной строки, Python API, HTTP-сервер и библиотека на C/C++; ускорение на видеокарте через CUDA — по желанию.

В списке голосов 39 языков, от арабского и каталанского до вьетнамского и валлийского, в том числе русский, немецкий, французский, испанский, португальский и китайский. Японского и корейского нет.

Лицензии: движок и каждый голос отдельно

Текущий движок piper1-gpl выпущен под GPL-3.0, архивный оригинал был под MIT. Это важно, если вы встраиваете библиотеку в закрытый продукт. У голосов свои условия: список голосов просит читать MODEL_CARD каждого голоса, предупреждает, что у некоторых лицензии ограничительные, и называет Piper инструментом для личного использования и исследований синтеза речи.

Supertonic 3 выпущена под OpenRAIL-M — одна бесплатная лицензия на модель со списком запрещённых применений. Голоса, купленные в SuperClonica, предназначены для ваших проектов, перепродавать их нельзя.

Новый голос: обучение для Piper и для SuperClonica

Piper не клонирует голос по короткой записи. Новый голос — это обучение на датасете записей с расшифровками. Официальное руководство советует дообучать готовый чекпоинт; большинство официальных голосов обучали на картах с 24–48 ГБ памяти, а пользователи сообщают, что хватает и 8 ГБ.

В SuperClonica для начала достаточно чистой записи от 5 до 10 секунд с точной расшифровкой. Обучение идёт на вашей видеокарте NVIDIA, вы сравниваете чекпоинты, а готовый JSON скачивается бесплатно. Нет видеокарты — закажите голос у автора или выберите готовый голос с демо в каталоге.

Скорость и железо

Piper создавали для маленьких устройств, и это его сильнейшая сторона. Мы его не замеряли и в таблице не оцениваем.

Supertonic 3 нужны базовая модель примерно на 400 МБ и движок. Её обычные платформы — настольные компьютеры, ноутбуки, серверы и браузер через ONNX Runtime Web; замеров на Raspberry Pi у нас нет. На настольном 8-ядерном CPU мы оцениваем SuperClonica в 6,4–9,7 раза быстрее реального времени, а движок в среднем на 61% быстрее стандартного клиента Supertonic 3 на CPU.

Когда лучше выбрать Piper

SuperClonica подходит, если нужного голоса нет в списке Piper, нужна японская или корейская речь или голос, сделанный на заказ под ваш проект. Piper лучше для таких задач:

  • Raspberry Pi и другие маленькие устройства, голосовые ассистенты умного дома и Home Assistant;
  • языки, которых нет в Supertonic 3: каталанский, валлийский, фарси, казахский, непальский, суахили, китайский;
  • библиотека на C/C++ или готовый HTTP-сервер для существующей системы;
  • проекты, которым подходят GPL-3.0 и лицензия выбранного голоса.