РУКОВОДСТВО

Альтернатива Bark и Tortoise TTS, которая работает на процессоре

Bark и Tortoise TTS показали, насколько естественно может звучать открытый синтез речи, и их до сих пор скачивают каждый день. Но в работе с ними трудно: Bark импровизирует, Tortoise требует видеокарту NVIDIA и терпения, а оба репозитория не обновлялись с 2024 года.

Бесплатный движок SuperClonica запускает модель Supertonic 3 на обычном процессоре, читает текст как написано и быстро озвучивает длинные тексты. В этом руководстве — честное сравнение всех трёх, включая случаи, когда Bark или Tortoise всё ещё лучше.

Выбрать голос Установить движок SuperClonica

Почему ищут альтернативу

Оба — важные исследовательские проекты; трудности начинаются с длинными текстами, сотнями реплик и обычными компьютерами.

  • Bark — модель «текст в аудио», которая, по словам авторов, может неожиданно отклоняться от сценария.
  • Bark нужно около 12 ГБ видеопамяти или 8 ГБ с уменьшенными моделями, а на процессоре он намного медленнее.
  • Tortoise требует видеокарту NVIDIA на вашем компьютере и создавался ради качества, а не скорости.
  • Оба репозитория последний раз обновлялись в 2024 году.

Сравните звучание бесплатно

На странице любого голоса вставьте фразу, которую вы озвучивали в Bark или Tortoise, от 30 до 100 символов, выберите язык и нажмите «Озвучить». Через несколько секунд можно сравнить, без регистрации.

Что меняется с SuperClonica

Предсказуемый результат важнее всего, когда сотни реплик нужно проверить на слух.

  • Установка одной командой: python -m pip install superclonica-cpu, или Docker-образ как HTTP-сервис.
  • Короткая фраза занимает заметно меньше секунды на обычном процессоре; в наших тестах 0,43 с на четырёх потоках Ryzen 7 5800X.
  • Текст читается как написан, без импровизированных звуков, а тот же seed даёт тот же дубль.
  • Длинные тексты делятся по естественным паузам и склеиваются в один файл.

Пресеты, фрагменты и обученные голоса

У Bark больше 100 пресетов дикторов, но нет клонирования собственного голоса. Tortoise копирует голос по эталонным фрагментам при каждой генерации, на видеокарте. В SuperClonica десять стандартных голосов и более 170 голосов каталога, у каждого бесплатное демо; собственный голос обучается один раз в студии SuperClonica по чистой записи на 5–10 секунд от диктора, который дал согласие, на компьютере с видеокартой NVIDIA, или заказывается на бирже. После этого голос работает на любом процессоре.

Когда Bark или Tortoise всё ещё лучше

Выбирайте Bark, если в аудио нужны смех, вздохи, музыка или звуковые эффекты либо китайский язык, которого нет в Supertonic 3. Выбирайте Tortoise, если хотите сразу скопировать голос по нескольким фрагментам и у вас есть видеокарта NVIDIA для каждой генерации. Выбирайте SuperClonica для чистой, предсказуемой речи на 31 языке в больших объёмах на обычном железе.