指南

Soprano、Kani TTS 与 Marvis TTS 的替代方案

一批小型开源语音合成模型正瞄准在普通硬件上实时说话。Soprano 1.1 有 8000 万参数，只支持英语；Kani TTS 370M 支持包括中文在内的 6 种语言；Marvis TTS 250M 以英语、法语和德语流式输出，并能用参考音频克隆声音。

SuperClonica 在普通处理器上运行约 9900 万参数的 Supertonic 3，支持 31 种语言。本指南根据模型卡的事实进行比较；我们没有测试这些模型，以下速度均为其自述数据。注意：SuperClonica 引擎不支持中文朗读，中文可考虑 Kani TTS。

浏览声音 安装 SuperClonica 引擎

Soprano 1.1

Apache 2.0 的 8000 万参数模型，自称在 GPU 上最高可达实时 2000 倍、CPU 上 20 倍，在 CPU 上以低于 250 毫秒的延迟流式输出，内存占用低于 1 GB。其模型卡说明它只支持英语、不能克隆声音，训练数据约 1000 小时，生僻词可能读错。

Kani TTS 370M

3.7 亿参数、22 kHz 的模型，支持英语、德语、中文、韩语、阿拉伯语和西班牙语，约需 2 GB 显存。商用前请核实许可：模型卡元数据写的是 LFM 1.0 许可，正文却写 Apache 2.0。

Marvis TTS 250M

Apache 2.0 的对话式模型，由 250M 主干和 60M 音频解码器组成，专为在 iPhone、iPad 等设备上实时流式输出而设计。针对英语、法语和德语优化，可用参考音频克隆声音。

SuperClonica 的定位

Supertonic 3 支持 31 种语言（不含中文），每个声音都能说所有语言；目录中约有 190 个声音，从旁白到游戏和动漫角色，一次购买；十个标准声音免费且可商用。我们估计引擎在桌面 8 核 CPU 上比实时快 6.4 到 9.7 倍。用 python -m pip install superclonica-cpu 安装，运行 superclonica --text "Hello" --voice F1 --lang en --output hello.mp3；任意声音页面也能免费试听台词。

如何选择

在极小的硬件上要最快的英语，选 Soprano；有 GPU 并需要中文或韩语，选 Kani；需要三种欧洲语言的流式输出和克隆，选 Marvis。需要在 CPU 上使用 31 种语言、现成的角色声音、在工作室训练的声音以及每天 3 分钟免费的 API，选 SuperClonica。