Альтернатива Pocket TTS: 31 язык, готовые голоса и облачный API
Pocket TTS — небольшая открытая модель синтеза речи от Kyutai: около 100 миллионов параметров, работа в реальном времени на обычном процессоре ноутбука и клонирование голоса по короткой записи WAV. Она говорит на шести языках: английском, французском, немецком, португальском, итальянском и испанском.
SuperClonica построена на Supertonic 3 — модели того же класса размера, которая говорит на 31 языке, — и добавляет каталог из 190 голосов от авторов, бесплатный офлайн-движок и облачный API. В этом руководстве — честное сравнение и когда что подходит.
Pocket TTS коротко
По карточке модели у Pocket TTS около 100 млн параметров, на процессоре MacBook Air M4 она работает примерно в 6 раз быстрее реального времени на двух ядрах и отдаёт первый кусок звука примерно через 200 мс. Голос она клонирует по переданному WAV-файлу; карточка советует сначала почистить запись, потому что её качество переносится в результат. Веса опубликованы под CC-BY 4.0 и закрыты соглашением: перед скачиванием нужно принять условия на Hugging Face. Правила запрещают клонировать голос без явного и законного согласия.
Чем отличается SuperClonica
Языки: Supertonic 3 говорит на 31 языке, в том числе на русском, японском, корейском, арабском, хинди, польском и турецком, которых нет у Pocket TTS; китайского нет ни у одной из них.
Голоса: вместо клонирования записи при каждом запросе голоса SuperClonica — обученные файлы стиля. Выберите один из 190 голосов каталога, послушайте и бесплатно озвучьте тестовую фразу онлайн или обучите свой голос по записи в студии.
Хостинг: кроме бесплатного офлайн-движка, API озвучки SuperClonica запускает голоса за вас, отдаёт звук потоком примерно от 300 мс в наших замерах и стоит $5 в месяц за до 216 часов звука, а бесплатный ключ даёт минуту в день.
Что выбрать
Выбирайте Pocket TTS, если нужно мгновенное клонирование по нескольким секундам записи на одном из шести её языков и вы хотите запускать всё сами. Выбирайте SuperClonica, если нужно больше языков, готовые голоса персонажей и чтецов или облачный API с потоком и без своего сервера. Обе работают на процессоре, так что можно попробовать каждую на своём компьютере.