指南

Yandex SpeechKit 的离线替代方案

SpeechKit 是 Yandex 的云端语音合成：有 18 个俄语声音，其中许多带有从中性到耳语的角色，此外还支持英语、德语、希伯来语、哈萨克语和乌兹别克语。和所有云端 API 一样，它需要账号，按字符或每 250 个字符为单位计费，并会收到你生成语音的每一段文本。请注意：Supertonic 3 暂不支持中文。

免费的 SuperClonica 引擎在你自己的电脑或服务器上提供同样的能力。本指南如实比较两种方式，说明什么时候 SpeechKit 更合适，并演示如何替换 API 调用。

浏览声音 安装 SuperClonica 引擎

SpeechKit 概览

如果需要哈萨克语、乌兹别克语或希伯来语、耳语之类的声音角色，或大规模的托管服务，SpeechKit 是有力的选择。

  • 18 个俄语声音，包括 filipp、ermil、jane、alexander 和 kirill；许多声音带有 neutral、good、evil、strict、friendly 和 whisper 等角色。
  • 语言：俄语、英语、德语、希伯来语、哈萨克语和乌兹别克语。
  • API v1 按字符计费，API v3 按每 250 个字符为一个单位计费；最新价格请以 Yandex 官网为准。
  • 自定义声音是单独的服务 Brand Voice。

免费对比音色

在任意声音页面粘贴一句你用 SpeechKit 生成过的话，30 到 100 个字符，选择语言并点击生成按钮。几秒后就能用你自己的文本比较，无需注册。

SuperClonica 的不同之处

在我们的测试中，短句在 Ryzen 7 5800X 的四个线程上用时 0.43 秒，普通服务器足以应付大多数负载。

  • 文本留在你的机器上：不发送给任何服务商，这对医疗、法律和内部文档很重要。
  • 不按字符计费：无论生成多少小时，成本都只是你自己的硬件。
  • 31 种语言，包括俄语、乌克兰语、波兰语、英语、德语、日语、韩语、印地语和阿拉伯语。
  • 十个标准声音、170 多个目录声音，以及用 5 到 10 秒干净录音训练一次即可的你自己的声音。

替换 API 调用

在任何处理器上启动服务器：docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。GET /health 有响应后发送请求：curl -X POST http://localhost:8000/synthesize -H "Content-Type: application/json" -d '{"text": "Hello from my own server!", "voice": "F1", "lang": "en"}' -o hello.wav。POST /synthesize 接收 text、voice、lang、seed 和 normalize，并返回 16 位单声道 WAV。设置 SUPERCLONICA_API_KEY 以要求 Authorization 请求头，并把服务器放在 HTTPS 之后或私有网络中。

如何选择

需要哈萨克语、乌兹别克语或希伯来语、需要声音角色，或者宁愿按字符付费也不想维护服务器时，请选 SpeechKit。文本必须保密、用量大或难以预测、需要它补充的欧洲和亚洲语言，或需要可离线运行的角色或品牌声音时，请选 SuperClonica。