Альтернатива Dia, Orpheus и Sesame CSM, которая работает на процессоре
Dia, Orpheus TTS и Sesame CSM принесли в синтез речи идеи больших языковых моделей: живые диалоги, смех, теги эмоций и быструю потоковую выдачу. У них и общее требование: видеокарта NVIDIA, а для Dia — только английский текст.
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.
Что эти три модели делают хорошо
Для выразительного английского диалога на видеокарте это одни из самых впечатляющих открытых моделей.
- Dia, 1,6 млрд параметров, пишет целые диалоги по сценарию с метками говорящих [S1] и [S2] и умеет смеяться или кашлять; поддерживает только английский и проверялась на видеокартах.
- Orpheus TTS построена на модели Llama с 3 млрд параметров, понимает теги эмоций и выдаёт поток с задержкой около 200 мс; работает через vLLM на видеокарте.
- Sesame CSM, 1 млрд параметров, требует видеокарту с CUDA и доступ к модели Llama 3.2 1B.
- Все три распространяются по лицензии Apache 2.0.
Сравните звучание бесплатно
На странице любого голоса вставьте фразу, которую вы озвучивали в Dia, Orpheus или CSM, от 30 до 100 символов, выберите язык и нажмите «Озвучить». Через несколько секунд можно сравнить, без регистрации.
Что меняется с SuperClonica
Длинные тексты делятся по естественным паузам и склеиваются в один файл, поэтому глава или сценарий подаются одним вызовом.
- Установка одной командой: python -m pip install superclonica-cpu, или Docker-образ как HTTP-сервис.
- Работает на обычном процессоре: в наших тестах короткая фраза заняла 0,43 с на четырёх потоках Ryzen 7 5800X.
- 31 язык, включая русский, испанский, немецкий, французский, японский и корейский; китайский пока не поддерживается.
- Текст читается как написан, а тот же seed даёт тот же дубль.
Голоса: подсказки, пресеты и обученные голоса
Dia удерживает голос говорящего аудиоподсказкой или фиксированным seed; у Orpheus есть готовые голоса; CSM принимает аудио контекста. 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 и на всех 31 языке.
Что выбрать
Выбирайте Dia, Orpheus или CSM для выразительных английских диалогов со смехом и тегами эмоций или для голосового агента с потоковой выдачей, если для каждого запроса есть видеокарта. Выбирайте SuperClonica для чистой речи на 31 языке на обычных серверах и ноутбуках, готовых голосов персонажей и дикторов и больших объёмов без видеокарт.