Альтернатива XTTS v2: что изменилось после Coqui и что выбрать
XTTS v2 от Coqui до сих пор одна из самых известных открытых голосовых моделей: она клонирует голос по 6-секундному фрагменту и говорит на 17 языках. Альтернативу ищут по двум причинам: веса выпущены под Coqui Public Model License, которая разрешает только некоммерческое использование, а компания, которая могла продать коммерческую лицензию, закрылась на рубеже 2024 года.
Бесплатный движок SuperClonica запускает модель Supertonic 3 на 31 языке на обычном процессоре, а его встроенные голоса можно использовать коммерчески. Здесь — честное сравнение и случаи, когда XTTS v2 всё ещё лучше.
Коротко об XTTS v2
XTTS v2 имитирует голос прямо при генерации по короткому образцу, поэтому любая запись становится голосом за секунды. Модель знает английский, испанский, французский, немецкий, итальянский, португальский, польский, турецкий, русский, нидерландский, чешский, арабский, китайский, японский, венгерский, корейский и хинди и выдаёт звук 24 кГц. Код живёт в форке сообщества idiap/coqui-ai-TTS, пакет coqui-tts под лицензией MPL 2.0, но эта лицензия относится к коду, а не к модели: CPML разрешает веса и созданный ими звук только там, где вы не получаете прямой или косвенной оплаты. Лучше всего она работает на видеокарте NVIDIA.
Сравните звучание бесплатно
На странице любого голоса в каталоге вставьте фразу, которую озвучивали в XTTS v2, от 30 до 100 символов, выберите язык и нажмите «Озвучить». Через несколько секунд можно сравнить, без регистрации.
Чем отличается SuperClonica
Озвучка идёт на обычном процессоре: в наших тестах короткая фраза занимала 0,43 с на четырёх потоках Ryzen 7 5800X, а видеокарта только ускоряет. Движок говорит на 31 языке, включая шведский, греческий, украинский, вьетнамский и индонезийский, которых нет в XTTS v2, но пока не на китайском. Десять встроенных голосов, M1–M5 и F1–F5, можно использовать коммерчески по лицензии модели OpenRAIL-M. Установка — python -m pip install superclonica-cpu, или те же голоса через API SuperClonica, ничего не запуская у себя.
Свой голос
XTTS v2 клонирует по образцу при каждой озвучке. В SuperClonica голос один раз обучается в студии по чистой записи на 5–10 секунд на компьютере с видеокартой NVIDIA или заказывается у автора, который его обучит. После этого это маленький файл, который говорит офлайн на любом процессоре. Клонируйте только свой голос или голос человека, который согласился; голоса, обученные с согласия, можно использовать коммерчески, голоса персонажей — только для фанатских и пародийных проектов.
Что выбрать
Выбирайте XTTS v2 для хобби или исследований, где нужно мгновенное клонирование по образцу, для китайского и при наличии видеокарты NVIDIA. Выбирайте SuperClonica для всего, за что вам платят, для языков, которых нет в XTTS v2, для готовых голосов персонажей и дикторов и для простого запуска на обычных серверах. Ничто не мешает сначала проверить оба на одном тексте.