Gemini TTS 替代方案：自己运行的离线语音引擎
Google 的 Gemini 模型能说话：通过 Gemini API 和 AI Studio，它们能用一百多种语言把文字变成富有表现力的语音，风格要求用普通的话写出来即可。对很多项目来说，这是最省事的起点。但对另一些项目，把每段文字都发到云端 API、按 token 付费，正是想要避免的。请注意：Supertonic 3 暂不支持中文，中文请继续使用 Gemini 等云端模型。
SuperClonica 是另一条路：在你自己的电脑或服务器上运行的免费引擎、31 种语言的自然声音、170 多个目录声音，以及你自己训练的声音。本指南坦诚比较两者，并说明各自适合的场景。
Gemini TTS 的长处
云端 API 的模型名称和价格经常变化；做预算之前，请查看 Google 官方文档和价格页面。
- 支持包括中文在内的 100 多种语言，自动识别输入语言。
- 用自然语言指定风格和语速，一次请求即可生成两位说话人的对话。
- 30 个预置声音和更大的声音库，输出为 24 kHz WAV。
- 这是云服务：需要 Google 账号和 API 密钥，按 token 计费。
免费在线试听 SuperClonica
在任意声音页面输入 30 到 100 个字符的句子，选择语言并点击生成按钮。几秒后就能和你在 Gemini 中听到的效果对比，无需注册。
离线引擎更合适的场景
相同的文字、声音和 seed 总会得到相同的文件，一年后重新生成脚本，听起来也完全一样。
- 隐私：文字不会离开你的机器，这对内部文件、客户数据和未发布的脚本很重要。
- 成本：除了硬件，语音是免费的；长篇书籍和大批量也不会增加账单。
- 离线：模型下载后无需联网。
- 你自己的声音：在 SuperClonica 工作室训练一次，到处可用，没有按项目的限制。
一个下午完成迁移
用 python -m pip install superclonica-cpu 安装引擎，从命令行或 Python 生成语音，或运行 HTTP 服务器：docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。它对 POST /synthesize 返回 WAV，所以原本调用云端 API 的服务只需换一个地址和声音名称。声音是留在你手里的文件，而不是可能随模型更新消失的名称。
如何选择
需要中文或这 31 种之外的语言、想用自然语言指令控制情绪，或者不在意云端账单时，选 Gemini TTS。更看重隐私、固定成本、离线工作或自己的声音时，选 SuperClonica。很多团队两者都用：原型用云端模型，生产中的大批量用自托管引擎。