СРАВНЕНИЕ МОДЕЛЕЙ

Qwen3-TTS или SuperClonica для локального синтеза речи

Qwen3-TTS — семейство открытых моделей синтеза речи от команды Qwen, вышедшее в январе 2026 года в размерах 0.6B и 1.7B под лицензией Apache 2.0. Модель клонирует голос по трём секундам записи, создаёт голоса по текстовому описанию и выдаёт звук потоком с низкой задержкой. SuperClonica решает более узкую задачу: готовые и обученные голоса Supertonic 3, которые быстро работают на процессоре.

Обе работают на вашем железе. Различаются скорость, языки и то, как вы получаете голос.

Подобрать голос для Supertonic 3 Перейти к установке SuperClonica

Что умеет Qwen3-TTS

Официальные примеры запускаются на видеокарте NVIDIA в bfloat16, а для экономии видеопамяти рекомендуют FlashAttention 2.

  • 10 языков: китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский, плюс голоса с диалектами.
  • Клонирование голоса по 3 секундам записи в Base-моделях, без обучения.
  • Дизайн голоса по описанию на естественном языке (модель 1.7B VoiceDesign).
  • Инструкции, которые управляют тоном, темпом речи и эмоциями.
  • Потоковая генерация; авторы заявляют сквозную задержку от 97 мс.

Скорость Qwen3-TTS на CPU

Для модели 0.6B на настольном 8-ядерном процессоре мы оцениваем скорость в 1–2 раза медленнее реального времени: 10 секунд речи за 10–20 секунд. Оценка опирается на сторонний движок на C, который показывает RTF 2,02 для 0.6B с весами INT4 на ноутбучном Ryzen 7 6800H. Модель 1.7B медленнее — по нашей оценке, в 2–5 раз медленнее реального времени. Обычный PyTorch может работать заметно медленнее этого движка.

На Apple Silicon у Qwen цифры лучше: тот же движок сообщает RTF 0,52 на M1, то есть примерно вдвое быстрее реального времени.

SuperClonica на настольном 8-ядерном процессоре, по нашей оценке, работает в 6,4–9,7 раза быстрее реального времени: те же 10 секунд — примерно за 1,0–1,6 секунды.

Качество, стабильность и языки

В наших оценках у Qwen3-TTS 4 из 5 за качество и 4 за стабильность тембра, у SuperClonica — 4,5 и 5.

По числу языков впереди Supertonic 3, 31 против 10, но наборы пересекаются неравномерно. Qwen3-TTS говорит по-китайски, Supertonic 3 — нет. Зато Supertonic 3 добавляет арабский, хинди, турецкий, вьетнамский, украинский, польский и большинство других европейских языков.

Что выбрать

Обе модели открытые и работают локально, так что выбор зависит от задачи.

  • Qwen3-TTS — если нужен китайский, мгновенное клонирование или дизайн голоса, или вы делаете голосового ассистента на видеокарте и вам важна задержка первого пакета.
  • SuperClonica — если вы озвучиваете много текста на процессорах, работаете с одним из 31 языка Supertonic 3 или хотите, чтобы обученный голос звучал одинаково на тысячах реплик.