指南

Zonos 与 Higgs Audio 的替代方案：无需高端显卡

Zyphra 的 Zonos 和 Boson AI 的 Higgs Audio 是讨论度最高的开放权重语音模型之一。Zonos 能用短样本克隆声音并设置情绪，Higgs 最新的 Higgs TTS 3（约 40 亿参数）支持 100 多种语言。两者都面向高性能显卡。请注意：Supertonic 3 暂不支持中文，如需中文请考虑 Zonos 或 Higgs Audio。

免费的 SuperClonica 引擎走的是另一条路：可在普通处理器上运行的紧凑模型、31 种语言、现成的声音，以及允许商业使用的模型许可。本指南如实比较，并说明什么时候 Zonos 或 Higgs Audio 更合适。

浏览声音 安装 SuperClonica 引擎

Zonos 与 Higgs Audio 概览

如果要即时克隆、控制情绪或在高性能显卡上使用中文，这两个模型都很出色。

  • Zonos v0.1：英语、日语、中文、法语和德语，可用 10 到 30 秒样本克隆声音，可调情绪和语速，44 kHz 音频，代码和权重均为 Apache 2.0。
  • Zonos 需要至少 6 GB 显存和 eSpeak 库；支持 Linux 和 macOS，Windows 仅能通过社区分支使用，在处理器上运行会慢很多。
  • Higgs TTS 3：约 40 亿参数，100 多种语言，零样本声音克隆，可用 SGLang-Omni 自行部署，或通过 Boson AI 的托管 API 使用。
  • 其权重采用研究与非商业许可；生产环境或产生收入的使用需要另行取得商业许可。

免费对比音色

在任意声音页面粘贴一句你用 Zonos 或 Higgs Audio 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

十个标准声音和 170 多个带免费试听的目录声音，安装后即可使用。

  • 无需显卡：在我们的测试中，短句在 Ryzen 7 5800X 的四个线程上用时 0.43 秒。
  • 只需安装一个包（python -m pip install superclonica-cpu），或使用带 HTTP API 的 Docker 镜像。
  • 31 种语言，包括俄语、西班牙语、葡萄牙语、土耳其语、印地语和阿拉伯语；不包括中文。
  • 引擎采用 Apache 2.0，Supertonic 3 模型采用 OpenRAIL-M，在其禁止用途清单之外允许商业使用。

每次请求都克隆，还是使用训练好的声音

Zonos 和 Higgs Audio 每次请求都要从音频片段复制声音，因此每次都需要显卡。在 SuperClonica 中，声音在配有 NVIDIA 显卡的电脑上用 5 到 10 秒的干净录音在工作室训练一次，或在交易所请作者训练定制。之后它可以在任何处理器上运行，并支持全部 31 种语言，带有原录音口音的痕迹。请只克隆其主人同意的声音。

如何选择

如果要在显卡上用其五种语言（包括中文和日语）控制情绪和克隆声音，请选 Zonos；如果要在 100 多种语言上做研究，或已从 Boson AI 取得商业许可，请选 Higgs Audio；如果语音需要在普通电脑和服务器上运行、用于你出售的产品、需要现成的旁白和角色声音以及一条命令即可完成的安装，请选 SuperClonica。