指南
可在 CPU 上运行的 Dia、Orpheus 与 Sesame CSM 替代方案
Dia、Orpheus TTS 和 Sesame CSM 把大语言模型的思路带进了语音合成：生动的对话、笑声、情感标签和快速流式输出。它们也有共同的前提：需要 NVIDIA 显卡，而 Dia 只支持英文文本。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以 31 种语言运行更小巧的 Supertonic 3 模型，并提供现成声音的目录。本指南如实比较它们，也说明在哪些情况下三者之一是更好的选择。
这三个模型擅长什么
在显卡上进行富有表现力的英语对话，它们属于最令人印象深刻的开源模型。
- Dia（16 亿参数）可根据带 [S1]、[S2] 说话人标签的脚本生成整段对话，还能笑或咳嗽；仅支持英语，并在 GPU 上测试。
- Orpheus TTS 基于 30 亿参数的 Llama 模型，支持情感标签，流式延迟约 200 毫秒；通过 vLLM 在显卡上运行。
- Sesame CSM（10 亿参数）需要支持 CUDA 的显卡，以及 Llama 3.2 1B 模型的访问权限。
- 三者都采用 Apache 2.0 许可。
免费对比音色
在任意声音页面粘贴一句你用 Dia、Orpheus 或 CSM 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
长文本会在自然停顿处切分后合并成一个文件，所以一章内容或一份脚本只需一次调用。
- 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。
- 在普通处理器上运行：我们的测试中，短句在 Ryzen 7 5800X 的四个线程上用时 0.43 秒。
- 31 种语言，包括英语、西班牙语、德语、俄语、日语和韩语；暂不支持中文。
- 文本按原样朗读，相同的 seed 会重现同一条录音。
声音：提示音频、预设与训练出的声音
Dia 通过音频提示或固定 seed 保持说话人一致；Orpheus 自带预设声音；CSM 接收上下文音频。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以全部 31 种语言运行。
如何选择
如果需要带笑声和情感标签、富有表现力的英语对话，或带流式输出的语音助手，并且每次请求都有显卡可用，请选择 Dia、Orpheus 或 CSM。如果要在普通服务器和笔记本上生成 31 种语言的干净语音、使用现成的角色和旁白声音，并在没有显卡的情况下大量生成，请选择 SuperClonica。