РУКОВОДСТВО

Альтернатива CosyVoice, IndexTTS и Spark-TTS

CosyVoice, IndexTTS и Spark-TTS — одни из сильнейших открытых моделей речи на идеях языковых моделей: они копируют голос по одному фрагменту, следуют указаниям об эмоциях и прекрасно справляются с китайским. Это большие модели, их обычно запускают на видеокартах NVIDIA, а списки языков у них короткие.

Бесплатный движок SuperClonica запускает более компактную модель Supertonic 3 на обычном процессоре на 31 языке, с каталогом готовых голосов. В этом руководстве — честное сравнение и случаи, когда одна из трёх моделей лучше.

Выбрать голос Установить движок SuperClonica

Что эти три модели делают хорошо

Для китайского, его диалектов и мгновенного клонирования по фрагменту это отличные инструменты.

  • Fun-CosyVoice 3.0 покрывает 9 языков, среди них китайский, английский, японский, корейский, немецкий, испанский, французский, итальянский и русский, плюс более 18 китайских диалектов, и следует указаниям об эмоциях и скорости.
  • IndexTTS-2.5 клонирует голос по одному эталонному фрагменту на китайском, английском, японском, испанском и арабском, с тонким управлением эмоциями.
  • Spark-TTS говорит по-китайски и по-английски и клонирует голоса между этими языками.
  • Лицензии разные: CosyVoice — Apache 2.0, IndexTTS — bilibili Model Use License Agreement; перед коммерческим использованием проверяйте каждую модель.

Сравните звучание бесплатно

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

Что меняется с SuperClonica

Текст читается как написан, а тот же seed даёт тот же дубль, что сохраняет единообразие длинных проектов.

  • 31 язык, включая португальский, польский, нидерландский, турецкий, украинский, хинди, индонезийский и вьетнамский; китайского среди них нет.
  • Работает на обычном процессоре: в наших тестах короткая фраза заняла 0,43 с на четырёх потоках Ryzen 7 5800X.
  • Готовые голоса: десять стандартных и более 170 голосов каталога с бесплатным демо.
  • Установка одной командой: python -m pip install superclonica-cpu, или Docker-образ с HTTP API.

Копировать голос или обучить его

Эти три модели копируют голос по фрагменту при каждой генерации. В SuperClonica голос обучается один раз в студии по чистой записи на 5–10 секунд, на компьютере с видеокартой NVIDIA, или заказывается на бирже у автора, который его обучит. После этого он работает на любом процессоре и на всех 31 языке, с оттенком акцента исходной записи. Клонируйте только голоса, владельцы которых согласны.

Что выбрать

Выбирайте CosyVoice, IndexTTS или Spark-TTS для китайского и его диалектов, мгновенного клонирования по фрагменту и указаний об эмоциях, если есть видеокарта. Выбирайте SuperClonica для множества языков, которые они не покрывают, готовых голосов персонажей и дикторов и больших объёмов речи на обычных серверах и ноутбуках.