СИНТЕЗ РЕЧИ

Синтез речи и озвучка текста на вашем компьютере

SuperClonica — это каталог голосов для Supertonic 3, открытой модели синтеза речи, которая работает на обычном процессоре, и движок SuperClonica, который озвучивает теми же голосами быстрее. Голос — это один JSON-файл. Вы скачиваете его один раз и озвучиваете текст у себя: текст не уходит на сервер, а озвучка работает и без интернета.

Ниже — как устроен локальный TTS, насколько он быстрый, что здесь бесплатно, как получить голос по своей записи и когда лучше выбрать облачный сервис или более тяжёлую модель.

Выбрать голос в каталоге Как установить SuperClonica

Как работает локальный синтез речи на Supertonic 3

Supertonic 3 — открытая модель компании Supertone, около 99 млн параметров. Она работает через ONNX Runtime и, по словам авторов, не требует видеокарты. Модель говорит на 31 языке, в том числе на русском, украинском, английском, немецком, испанском, японском и корейском. Китайского пока нет.

В файле голоса хранится только профиль голоса. Чтобы озвучить текст, нужен ещё движок (обычный клиент Supertonic 3 или SuperClonica) и базовая модель размером около 400 МБ. Интернет нужен для установки, дальше озвучка идёт локально.

  • На компьютере: Windows, macOS и Linux, на процессоре.
  • В браузере: веб-приложения через ONNX Runtime Web.
  • На мобильных: совместимые приложения.
  • В вашем продукте: игры, боты и сервисы на ваших серверах.

Насколько быстро работает озвучка на CPU

Supertone указывает для Supertonic 3 RTF 0,20 на процессоре с 16 потоками: секунда аудио генерируется за 0,2 секунды. Для настольного 8-ядерного процессора уровня Ryzen 7 7800X3D мы оцениваем Supertonic 3 в 4–6 раз быстрее реального времени, а SuperClonica — в 6,4–9,7 раза. Фраза на 10 секунд готова примерно за 1,0–1,6 секунды.

Прирост движка мы замерили: в среднем на 61% быстрее Supertonic 3 на CPU (Ryzen 7 5800X) и на 73% на видеокарте (RTX 5070 Ti) при одинаковых настройках. Тишина между словами — без шипения, концы фраз аккуратнее, а длинный текст озвучивается короткими частями, поэтому меньше повторов и обрывов. Голоса Supertonic 3 подходят без конвертации.

Голоса: готовые, бесплатные и клонирование голоса по записи

В каталоге — голоса независимых авторов: игровые персонажи, рассказчики, разговорные голоса, у каждого есть демо. Цену в долларах назначает автор, есть и бесплатные голоса. Купленный голос предназначен для ваших проектов, перепродавать его нельзя.

Голос, похожий на конкретную запись, можно получить двумя способами. Оба дольше, чем мгновенное клонирование в облаке, зато на выходе — файл, который потом быстро работает где угодно. Используйте только записи, на которые у вас есть права и согласие владельца голоса.

  • Заказать: загрузите референс, опишите звучание и укажите бюджет. Авторы присылают предложения, а бюджет резервируется на балансе до приёмки результата.
  • Обучить самому, бесплатно: чистая запись от 5 до 10 секунд с точным текстом, свой компьютер с видеокартой NVIDIA в роли воркера и чекпоинты для сравнения. JSON скачивается бесплатно.
  • Продавать то, что обучили: добавьте обложку, описание и цену. Доход за вычетом комиссии поступает на долларовый баланс.

Локальный TTS или облачная озвучка текста?

Облачные сервисы вроде ElevenLabs синтезируют речь на своих серверах: веб-приложение, API, быстрое клонирование, много языков, и ничего не нужно устанавливать. Взамен каждый текст уходит по сети, расход считается по тарифу, а без интернета ничего не работает.

С локальным файлом голоса всё наоборот: текст остаётся на устройстве, сетевой задержки нет, и никто не считает символы. Цена — время на установку и модель поскромнее: 31 язык, без китайского, меньше управления эмоциями.

Fish Audio S2 Pro, OmniVoice и VoxCPM 2 получили в нашей таблице такую же или более высокую оценку качества и знают больше языков, но, по нашим оценкам, на настольном CPU работают в 2–10 раз медленнее реального времени.

Кому подходит локальная озвучка

Чаще всего это:

  • разработчики игр — реплики NPC генерируются на компьютере игрока;
  • авторы видео и аудиокниг — длинные тексты озвучиваются на ноутбуке;
  • разработчики приложений и ботов — речь в браузере или на серверах без видеокарт;
  • команды, чьи документы не должны покидать внутреннюю сеть;
  • авторы голосов — обучают и продают голоса или берут заказы.

Аккаунт и оплата

Вход — через GitHub, без паспорта и телефона. Оплата — криптовалютой, баланс ведётся в долларах США, данные банковских карт мы не получаем.

SuperClonica и другие модели синтеза речи

В нашей таблице сравниваются качество, скорость на CPU, стабильность тембра и языки. Звёзды и скорость — приблизительная оценка для настольного процессора, а не результаты замеров.

  • Fish Audio S2 Pro: высшая оценка качества, 80+ языков, на CPU в 4–10 раз медленнее реального времени.
  • Qwen3-TTS: китайский и клонирование по 3 секундам записи, в 1–2 раза медленнее реального времени (0.6B).
  • OmniVoice: больше 600 языков, в 2–5 раз медленнее реального времени.
  • VoxCPM 2: 30 языков и звук 48 кГц, в 2–4 раза медленнее реального времени.
  • F5-TTS: клонирование без обучения на китайском и английском, в 5–15 раз медленнее реального времени.