可在 CPU 上运行的 GLM-TTS 与 Maya-1 替代方案
GLM-TTS 和 Maya-1 是两款基于大语言模型、表现力很强的开源语音合成模型。采用 MIT 许可的 GLM-TTS 可用 3 到 10 秒音频克隆声音，用强化学习控制情感，并针对中英混合文本优化。Maya-1 约有 33 亿参数，可根据文字描述生成声音，支持 20 多种情感和说话风格。
SuperClonica 在普通处理器上运行约 9900 万参数的 Supertonic 3，支持 31 种语言。本指南依据模型卡的事实进行比较；我们没有测试 GLM-TTS 和 Maya-1，因此不提供它们的速度或质量数据。注意：SuperClonica 引擎不支持中文朗读，中文请选择 GLM-TTS。
GLM-TTS
两阶段系统：基于 Llama 的语言模型把文本转换为语音 token，再由解码器生成音频。它可用 3 到 10 秒的提示音频克隆任意说话人，支持面向交互应用的流式推理，并通过强化学习让韵律和情感更自然。在中英混合文本上表现最好，采用宽松的 MIT 许可。
Maya-1
无需克隆或选择预设，只需用文字描述声音，例如年龄、音色、口音和语速，并在正文中加入表现力提示。其模型卡标注约 33 亿参数，仓库元数据为 Apache 2.0，并附有各组件许可的说明，商用前值得一读。
SuperClonica 的不同之处
Supertonic 3 约 9900 万参数，普通 CPU 即可运行；我们估计引擎在桌面 8 核处理器上比实时快 6.4 到 9.7 倍。它支持 31 种语言（不含中文），每个声音都能说所有语言。用 python -m pip install superclonica-cpu 安装，运行 superclonica --text "Hello" --voice F1 --lang en --output hello.mp3。
现成的声音而非提示词
无需每次克隆或描述声音，SuperClonica 目录提供约 190 个声音，从旁白、播音员到游戏和动漫角色，每个都是一次购买的小文件；十个标准声音免费且可商用。任意声音页面都能免费试听 30 到 100 个字符的台词。
如何选择
如果有运行大模型的 GPU，需要中文、快速克隆和情感表达选 GLM-TTS，需要根据文字设计新声音选 Maya-1。需要在 CPU 上使用 31 种语言、现成的角色声音和每天 3 分钟免费的语音 API，选 SuperClonica。