РУКОВОДСТВО

Альтернатива Soprano, Kani TTS и Marvis TTS

Новая волна небольших открытых моделей синтеза речи нацелена на речь в реальном времени на скромном железе. Soprano 1.1 — 80 миллионов параметров и только английский; Kani TTS 370M говорит на шести языках, включая китайский; Marvis TTS 250M стримит речь на английском, французском и немецком и клонирует голос по образцу.

SuperClonica запускает Supertonic 3 — около 99 миллионов параметров — на 31 языке на обычном процессоре. Это руководство сравнивает их по фактам из карточек моделей; мы их не тестировали, поэтому цифры скорости ниже — их собственные заявления, а не наши замеры.

Выбрать голос Установить движок SuperClonica

Soprano 1.1

Модель на 80 миллионов параметров под Apache 2.0, заявляет до 2000× реального времени на GPU и 20× на CPU, стрим с задержкой меньше 250 мс на CPU и меньше 1 ГБ памяти. По карточке, она только английская, не клонирует голоса и обучена примерно на 1000 часах аудио, так что редкие слова может произносить неверно.

Kani TTS 370M

Модель на 370 миллионов параметров, 22 кГц, для английского, немецкого, китайского, корейского, арабского и испанского, нужно около 2 ГБ видеопамяти. Перед коммерческим использованием проверьте лицензию: в метаданных карточки указана LFM 1.0, а в тексте — Apache 2.0.

Marvis TTS 250M

Разговорная модель под Apache 2.0: основа на 250M и аудиодекодер на 60M, сделана для стриминга в реальном времени на устройствах вроде iPhone и iPad. Оптимизирована для английского, французского и немецкого и клонирует голос по образцу.

Где здесь SuperClonica

Supertonic 3 говорит на 31 языке, включая русский, и каждый голос говорит на всех; в каталоге около 190 голосов — от дикторов до героев игр и аниме, каждый покупается один раз, а десять стандартных бесплатны и подходят для коммерции. По нашей оценке, движок 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; на странице любого голоса фразу можно послушать бесплатно.

Что выбрать

Soprano — для самого быстрого английского на крошечном железе, Kani — для китайского или корейского с видеокартой, Marvis — для стриминга и клонирования на трёх европейских языках. SuperClonica — для 31 языка на CPU, готовых голосов персонажей, голосов, обученных в студии, и API с 3 бесплатными минутами в сутки.