Альтернатива Kitten TTS: Supertonic 3 на обычном процессоре
Kitten TTS от KittenML — один из самых популярных открытых проектов синтеза речи, под лицензией Apache 2.0. В нём два семейства: крошечные ONNX-модели на 15–80 миллионов параметров с восемью голосами, которые работают на CPU, и Kitten-TTS 2 — однобитная модель на 1,7 миллиарда параметров со 115 голосами, клонированием по 5–30 секундам аудио, тегами эмоций и 20 языками.
SuperClonica запускает Supertonic 3 — открытую модель примерно на 99 миллионов параметров — на 31 языке на обычном процессоре. Это руководство честно их сравнивает; Kitten TTS мы не тестировали, поэтому оценок скорости и качества для него нет, только факты из его репозитория.
В чём силён Kitten TTS
Kitten-TTS 2 клонирует голос по короткому фрагменту без дообучения, управляет эмоциями тегами и говорит на китайском, суахили и иврите, которых нет в Supertonic 3. Модель nano — всего 15 миллионов параметров, 25 МБ в int8, она подходит даже для очень слабых устройств. У KittenML есть и бесплатный API Kitten-TTS 2.
Что нужно каждому
По README, Kitten-TTS 2 нужна видеокарта CUDA примерно с 8 ГБ свободной памяти или CPU примерно с 6 ГБ ОЗУ и около 2 ГБ на диске. Supertonic 3 — около 99 миллионов параметров; по нашей оценке, движок SuperClonica работает в 6,4–9,7 раза быстрее реального времени на настольном 8-ядерном CPU. Поставьте его командой python -m pip install superclonica-cpu и запустите superclonica --text "Привет" --voice F1 --lang ru --output hello.mp3.
Языки и голоса
Supertonic 3 говорит на 31 языке, включая русский, польский, чешский, украинский, вьетнамский и индонезийский, и каждый голос говорит на всех. SuperClonica добавляет около 190 голосов каталога — от дикторов и анонсеров до героев игр и аниме; каждый — небольшой файл, который покупается один раз, а десять стандартных голосов бесплатны и подходят для коммерции. На странице любого голоса можно бесплатно озвучить фразу от 30 до 100 символов.
Что выбрать
Выбирайте Kitten TTS ради клонирования по фрагменту, тегов эмоций, китайского или самой маленькой модели. Выбирайте SuperClonica ради лёгкой CPU-модели на 31 языке с готовыми голосами персонажей, голосов, обученных в студии, и API синтеза речи с бесплатными 3 минутами в сутки.