OuteTTS, Llasa, MegaTTS3 и MaskGCT: честное сравнение
OuteTTS, Llasa, MegaTTS3 и MaskGCT — открытые исследовательские модели, которые клонируют голос по короткой записи; их часто сравнивают, когда ищут свою замену облачным голосам. Прежде чем строить на одной из них, важнее всего две вещи: на каких языках она говорит и что разрешает её лицензия.
В этом руководстве — выжимка из карточек моделей и когда SuperClonica на небольшой модели Supertonic 3 оказывается проще.
OuteTTS 1.0
OuteTTS 1.0 1B построена на Llama 3.2 1B и говорит на 23 языках, 12 из них хорошо обучены; голос клонируется примерно по 10 секундам аудио, а версия GGUF работает с llama.cpp. Её лицензия сочетает Llama 3.2 Community License и CC-BY-NC-SA 4.0 для добавлений OuteAI, так что коммерческое использование ограничено.
Llasa
Llasa выпускается в размерах 1B, 3B и 8B на основе моделей Llama, обучена на 250 000 часах китайской и английской речи и клонирует голос по образцу в 16 кГц. Она говорит на китайском и английском, а лицензия CC BY-NC 4.0 запрещает свободное коммерческое использование.
MegaTTS3 и MaskGCT
MegaTTS3 от ByteDance распространяется по Apache-2.0 и говорит на английском и китайском, но её энкодер WaveVAE не опубликован, поэтому клонировать можно только по заранее извлечённым латентам, а в карточке сказано, что проект в первую очередь академический; на процессоре она медленная. MaskGCT от Amphion — полностью неавторегрессионная zero-shot модель, обученная примерно на 100 000 часах английской и китайской речи, под лицензией CC-BY-NC 4.0.
Когда лучше SuperClonica
Если нужно коммерческое использование, больше языков или компьютер без видеокарты, SuperClonica проще: Supertonic 3 работает на обычном процессоре, каждый голос говорит на 31 языке, десять стандартных голосов бесплатны по OpenRAIL-M, голоса каталога стоят $2,99 один раз, а студия обучает ваш голос по записи на 5–10 секунд. Попробуйте любой голос бесплатно на его странице фразой на 30–100 символов или поставьте движок командой python -m pip install superclonica-cpu.