Supertonic 是由 Supertone Inc. 开源的超高速、端侧（On-Device）、多语言文本转语音（TTS）系统。它基于 ONNX Runtime 运行，完全本地推理，无需云端、无需 API 调用，注重隐私与低延迟，模型仅约 99M 参数，却能输出高质量 44.1kHz 音频，并支持 31 种语言。

重要提示（2026 年 7 月 23 日）：官方宣布本仓库将被归档，开源 Supertonic 模型不再有进一步开发或官方支持。现有代码与模型仍可继续使用，商业托管服务请转向 Supertone Play / API。

1. 核心特性

  • 极速推理：消费级硬件上可达实时合成的数十倍甚至上百倍（如 M4 Pro 上最高约 167× 实时），整页网页转语音可在 1 秒内完成。
  • 31 语言多语种：直接从文本合成，支持 lang=”na” 语言无关处理（无需指定语言）。
  • 超轻量模型：约 99M 参数，下载小、启动快、内存占用低，远小于 0.7B–2B 级开源 TTS。
  • 真正端侧：桌面、浏览器（WebGPU）、手机、树莓派等均可运行，零网络依赖，无 GPU 要求。
  • 高质量音频：直接输出 44.1kHz 16-bit WAV。
  • 表达标签：内联标签（如 、、 等 10 种）增加自然语气。
  • 多运行时支持：Python、Node.js、Browser、Java、C++、C#、Go、Swift、iOS、Rust、Flutter 完整示例。

支持语言（31 种）： ar, bg, hr, cs, da, nl, en, et, fi, fr, de, el, hi, hu, id, it, ja, ko, lv, lt, pl, pt, ro, ru, sk, sl, es, sv, tr, uk, vi。

2. 快速开始（推荐 Python SDK）

最简单方式，无需手动下载模型：

1
pip install supertonic
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
from supertonic import TTS

# 首次运行会自动从 Hugging Face 下载模型
tts = TTS(auto_download=True)

style = tts.get_voice_style(voice_name="M1")  # 可选 M1–M5, F1–F5 等

text = "Supertonic is a lightning fast, on-device TTS system."

wav, duration = tts.synthesize(
    text=text,
    lang="en",              # 语言代码，或 "na" 自动处理
    voice_style=style,
    total_steps=8,          # 质量：5（低）~12（高），默认 8
    speed=1.05,             # 语速：0.7（慢）~2.0（快）
)

tts.save_audio(wav, "output.wav")
print(f"Generated {duration[0]:.2f}s of audio")

本地 HTTP 服务（兼容 OpenAI 接口，方便对接 Agent / 插件）：

1
2
pip install 'supertonic[serve]'
supertonic serve --host 127.0.0.1 --port 7788

启动后可使用：

3. 从源码运行多语言示例

1
2
3
4
5
6
git clone https://github.com/supertone-inc/supertonic.git
cd supertonic

# 下载模型与音色（需 Git LFS）
git lfs install
git clone https://huggingface.co/Supertone/supertonic-3 assets

Python 示例

1
2
3
cd py
uv sync          # 或 pip 安装依赖
uv run example_onnx.py

生成 outputs/output.wav。

其他平台示例

平台 命令示例
Node.js cd nodejs && npm install && npm start
Browser cd web && npm install && npm run dev（支持 WebGPU）
Java cd java && mvn clean install && mvn exec:java
C++ cd cpp && mkdir build && cd build && cmake .. && cmake –build . –config Release && ./example_onnx
C# cd csharp && dotnet restore && dotnet run
Go cd go && go mod download && go run example_onnx.go helper.go（macOS 需 brew install onnxruntime）
Swift cd swift && swift build -c release && .build/release/example_onnx
Rust cd rust && cargo build –release && ./target/release/example_onnx
iOS cd ios/ExampleiOSApp && xcodegen generate && open ExampleiOSApp.xcodeproj
Flutter 见 flutter/ 目录

4. 音色与声音克隆

  • 预设音色：M1–M5（男声）、F1–F5（女声）等，通过 get_voice_style(voice_name=”M1”) 获取。
  • 自定义音色：使用官方 Voice Builder，上传短参考音频，生成可部署的 JSON 文件（支持 Supertonic 2 与 3），下载后即可在本地使用。
  • 开源仓库本身聚焦固定音色本地推理，不包含官方零样本克隆流水线；托管零样本克隆请使用 Supertone Play / API。

5. 性能与精度亮点

  • 模型体积：约 99M 参数，显著小于多数开源大模型 TTS。
  • 速度：CPU 即可高效运行，浏览器端也可用 WebGPU 加速。
  • 精度：在 Minimax-MLS-test 等基准上，多数语言 WER/CER 与更大型模型（如 VoxCPM2、Qwen3-TTS）处于同一竞争区间，同时保持端侧优势。
  • Supertonic 3 改进：语言从 5 种扩展到 31 种，减少重复/跳过错误，提升说话人相似度，并保持与 v2 兼容的公开 ONNX 接口。

6. 使用建议与注意事项

  1. 首次运行：Python SDK 会自动下载模型，需网络；后续完全离线。
  2. Git LFS：手动克隆模型时务必安装并初始化 Git LFS。
  3. 质量与速度权衡：total_steps 越高音质越好但越慢，推荐 8 作为平衡点。
  4. 语言未知时：使用 lang=”na”。
  5. 表达力：可在文本中插入 、、 等标签增加自然感。
  6. 归档提醒：开源仓库已宣布归档，长期维护请关注官方商业产品或社区 fork。
  7. 边缘设备：树莓派等低资源设备也可运行，适合离线场景。

7. 相关资源

8. 总结与快速上手路径

Supertonic 是目前最轻量、最易部署的高质量开源多语言 TTS 之一，特别适合：

  • 需要完全离线 / 隐私保护的应用
  • 浏览器端实时朗读
  • 移动端与边缘设备
  • 多语言内容快速生成

推荐上手步骤：

  1. pip install supertonic
  2. 运行上面的 Python 示例生成第一段语音
  3. 需要服务化时启动 supertonic serve
  4. 想用自定义声音时去 Voice Builder 生成 JSON
  5. 需要其他语言/平台时参考仓库对应目录示例