Pocket TTS 的替代方案：31 种语言、现成声音和托管 API
请注意：Supertonic 3 和 Pocket TTS 目前都不支持中文。Pocket TTS 是 Kyutai 推出的小型开放语音合成模型：约 1 亿参数，在普通笔记本 CPU 上实时运行，并能用一段很短的 WAV 录音克隆声音。它支持六种语言：英语、法语、德语、葡萄牙语、意大利语和西班牙语。
SuperClonica 基于同等规模、支持 31 种语言的 Supertonic 3，并提供由作者制作的 190 种声音目录、可离线运行的免费引擎和托管 API。本指南如实比较两者，并说明各自适合的场景。
Pocket TTS 简介
根据模型卡，Pocket TTS 约有 1 亿参数，在 MacBook Air M4 的 CPU 上用两个核心可达约 6 倍实时速度，约 200 毫秒给出第一段音频。它用你提供的 WAV 文件克隆声音；模型卡建议先清理样本，因为录音质量会被带到结果中。权重以 CC-BY 4.0 发布并需申请访问：下载前要在 Hugging Face 上同意条件。其规则禁止在没有明确且合法同意的情况下克隆声音。
SuperClonica 的不同之处
语言：Supertonic 3 支持 31 种语言，包括 Pocket TTS 不支持的俄语、日语、韩语、阿拉伯语、印地语、波兰语和土耳其语；两者都不支持中文。
声音：SuperClonica 的声音不是每次请求时克隆录音，而是训练好的风格文件。可从目录的 190 种声音中挑选、试听，并免费在线朗读测试句；也可以在工作室用自己的录音训练声音。
托管：除了免费的离线引擎，SuperClonica 语音合成 API 会替你运行声音，按我们的测量最快约 300 毫秒开始流式返回音频，每月 5 美元最多 216 小时，免费密钥每天 1 分钟。
如何选择
如果你需要用其六种语言之一、凭几秒录音即时克隆，并想全部自己运行，选 Pocket TTS。如果你需要更多语言、现成的角色和朗读者声音，或无需维护服务器的流式托管 API，选 SuperClonica。两者都能在 CPU 上运行，可以在自己的电脑上分别试用。