指南

可在 CPU 上运行的 Bark 与 Tortoise TTS 替代方案

Bark 和 Tortoise TTS 展示了开源语音合成可以多么自然，至今每天仍有人下载。但在实际生产中它们并不好用：Bark 会即兴发挥，Tortoise 需要 NVIDIA 显卡和耐心，而两个仓库自 2024 年以来都没有更新。请注意：Supertonic 3 暂不支持中文，可朗读英语、日语、韩语等 31 种语言。

免费的 SuperClonica 引擎在普通处理器上运行 Supertonic 3 模型，按原文朗读，并能快速处理长文本。本指南如实比较三者，也说明在哪些情况下 Bark 或 Tortoise 仍是更好的选择。

浏览声音 安装 SuperClonica 引擎

为什么要找替代方案

两者都是重要的研究项目；问题出在长文本、大量台词和普通电脑上。

  • Bark 是文本到音频模型，其作者自己说明它可能会以意想不到的方式偏离脚本。
  • Bark 需要约 12 GB 显存（小模型约 8 GB），在处理器上运行会慢得多。
  • Tortoise 要求你的电脑有 NVIDIA 显卡，它是为质量而非速度设计的。
  • 两个仓库的最后更新都在 2024 年。

免费对比音色

在任意声音页面粘贴一句你用 Bark 或 Tortoise 生成过的句子，30 到 100 个字符，选择语言并点击生成按钮。几秒后即可对比，无需注册。

SuperClonica 带来的变化

当数百句台词都要靠耳朵检查时，可预测的结果最重要。

  • 一条命令即可安装：python -m pip install superclonica-cpu，也可以用 Docker 镜像作为 HTTP 服务运行。
  • 在普通处理器上，短句远不到一秒；我们的测试中，Ryzen 7 5800X 的四个线程用时 0.43 秒。
  • 文本按原样朗读，不会即兴加入声音；相同的 seed 会重现同一条录音。
  • 长文本会在自然停顿处切分，再合并成一个文件。

预设、音频片段与训练出的声音

Bark 提供 100 多个说话人预设，但不支持克隆你自己的声音。Tortoise 每次生成都要根据参考片段模仿声音，并在显卡上运行。SuperClonica 有十个标准声音和 170 多个目录声音，每个都有免费试听；你自己的声音可以用征得同意的说话人 5 到 10 秒的干净录音，在配有 NVIDIA 显卡的电脑上用 SuperClonica 工作室训练一次，或在交易所下单。之后它可以在任何处理器上运行。

什么时候 Bark 或 Tortoise 仍然更合适

如果音频里需要笑声、叹气、音乐或音效，或者需要 Supertonic 3 不支持的中文，请选择 Bark。如果想立即根据几段片段模仿声音，并且每次生成都有 NVIDIA 显卡可用，请选择 Tortoise。如果要在普通硬件上大量生成 31 种语言的干净、可预测的语音，请选择 SuperClonica。