OmniVoice 与 SuperClonica：语言更多，还是速度更快
k2-fsa 项目的 OmniVoice 是一款零样本语音合成模型，语言覆盖极广，文档里列了 646 种语言，其中也包括中文。它能用几秒音频克隆声音，也能按属性设计声音。SuperClonica 只支持 31 种语言（不含中文），但在普通 CPU 上运行很快，而且换一句台词音色也很稳定。
下面是两者的区别和选择方法。
OmniVoice 擅长什么
OmniVoice 采用类似扩散语言模型的架构，基础模型是 Qwen3-0.6B。
- 语言：官方列表 646 种，训练数据 58.1 万小时。
- 声音克隆：用 3–10 秒的参考音频和对应文本，无需训练即可复刻。
- 声音设计：按性别、年龄、音高、口音、耳语等属性生成声音。不过开发者说明，这个模式只用中文和英文数据训练，在部分低资源语言上可能不稳定。
- GPU 速度：开发者称 RTF 最低可到 0.025，即实时的 40 倍。
- 硬件：支持 NVIDIA GPU、Apple Silicon 和 Intel Arc。
OmniVoice 在 CPU 上的速度：我们的估算
在 8 核台式机 CPU 上，我们估计 OmniVoice 比实时慢 2–5 倍，一句 10 秒的话要 20–50 秒。SuperClonica 大约 1.0–1.6 秒，是实时的 6.4–9.7 倍。
估算的出发点是 OmniVoice 的 HTTP 服务 omnivoice-server：它报告在 CPU 上 32 步时 RTF 为 4.92，但没写具体 CPU 型号。我们假设换成较快的台式机 CPU 最多能快 2.5 倍。和表里所有速度一样，这只是估算，不是实测。
音质与音色稳定性
在我们的表里，OmniVoice 和 SuperClonica 的音质都是 4.5 分（满分 5 分）。差别在别处：CPU 性能（2 分对 5 分）和音色稳定性（4 分对 5 分）。像游戏、有声书这种同一个角色要说几百句台词的场景，音色稳定很关键。
OmniVoice 的文档也印证了这一点：克隆是最稳定的模式，参考音频太长会拖慢生成，还可能让效果变差。
许可证
OmniVoice 的代码采用 Apache 2.0，但模型卡写明，由于训练数据的原因，预训练模型采用 CC-BY-NC 许可证。按默认条款，官方权重不能商用。
Supertonic 3 采用 OpenRAIL-M 许可证：免费，没有“仅限非商业”条款，而是列出了禁止用途。在 SuperClonica 购买的音色用于您自己的项目，不能转售。
语音合成选 OmniVoice 还是 SuperClonica
先看语言，再看硬件。
- OmniVoice：需要中文或 Supertonic 3 不支持的语言，想要即时克隆，并且有 GPU。
- SuperClonica：语言在 Supertonic 3 的 31 种之内，需要在 CPU、浏览器或应用里离线快速运行，并让同一个声音读完成千上万句台词。