SuperTonic：基于ONNX的极速本地多语言TTS引擎

这是什么

Supertonic 是一个由 Supertone Inc. 开发的开源、轻量级、多语言文本转语音（TTS）系统。该项目主语言为 Swift，但在 GitHub 上拥有超过 10,792 颗星，显示出极高的社区关注度。

其核心架构基于 ONNX Runtime，旨在实现完全本地化的设备端推理（On-device Inference）。与依赖云端 API 的传统 TTS 服务不同，Supertonic 无需网络连接、无需调用外部接口，即可在桌面、浏览器、移动端及边缘设备（如树莓派、电子书阅读器）上运行。

目前最新版本为 Supertonic 3，支持 31 种语言，拥有 9900 万参数（99M-Parameter），是一个完全开源权重的模型。它能够在保持极低内存占用和快速冷启动时间的同时，提供接近大型开源 TTS 系统（如 0.7B–2B 参数级模型）的语音合成质量。

解决的问题

1. 隐私与数据主权问题：传统 TTS 服务通常需要将文本发送至云端服务器处理，存在数据泄露风险。Supertonic 通过本地推理，确保音频数据永远不离开用户设备，彻底消除隐私顾虑。
2. 网络依赖与延迟：云端 API 受网络波动影响，且存在请求排队延迟。Supertonic 实现了低延迟、实时合成，甚至能在 1 秒内将整页网页转换为音频，适用于对实时性要求极高的场景。
3. 部署成本与资源限制：大型 TTS 模型通常需要 GPU 加速和高带宽存储，难以在资源受限的边缘设备（如 IoT 设备、低端手机）上运行。Supertonic 仅需 CPU 即可高效运行，且模型体积小巧（99M 参数），大幅降低了硬件门槛和部署成本。
4. 多语言适配复杂性：传统方案往往需要为每种语言单独训练或加载适配器。Supertonic 支持 31 种语言，并提供 lang="na" 模式，允许模型以语言无关的方式处理输入，简化了多语言应用的开发流程。

核心功能

• 31 语言多语言支持：涵盖英语、中文、日语、韩语、法语、德语、西班牙语等主流语言，以及阿拉伯语、俄语、越南语等区域性语言。支持通过 lang="na" 进行自动语言识别处理。
• 高保真音频输出：直接输出 44.1kHz 采样率、16-bit 深度的 WAV 格式音频，无需外部上采样器，即可满足生产级播放需求。
• 表达标签（Expression Tags）：内置 10 种内联标签（如 <laugh> 笑声、<breath> 呼吸、<sigh> 叹息等），无需复杂的提示工程或参考音频，即可在生成语音中注入自然的人类情感细微差别。
• 多运行时 SDK 支持：提供覆盖主流编程语言的 SDK，包括 Python、Node.js、Java、C++、C#、Go、Swift、iOS、Rust 和 Flutter。
• 本地 HTTP 服务：Python SDK 支持 supertonic serve 命令，可将 Supertonic 启动为本地 HTTP 服务器，提供原生 /v1/tts 和兼容 OpenAI 格式的 /v1/audio/speech 接口，便于与现有工具链集成。
• Voice Builder 自定义音色：支持用户创建永久性的自定义音色配置文件，并下载版本特定的 JSON 文件，实现声音克隆和个性化定制。

亮点 / 与同类相比

• 极致轻量化 vs. 高性能：
  • 对比：主流开源 TTS 模型（如 VITS 变体、ChatTTS 等）通常参数量在 0.7B 至 2B 之间，需要较大的显存和较长的推理时间。
  • Supertonic：仅 99M 参数，模型体积仅为同类系统的几分之一。在 Minimax-MLS-test 基准测试中，其 WER/CER（词错误率/字符错误率）表现与 VoxCPM2 等大型模型相当，实现了“小模型，大性能”。
• 零 GPU 依赖：
  • 对比：许多高性能 TTS 模型依赖 GPU 进行加速推理。
  • Supertonic：完全基于 ONNX Runtime，优化后可在纯 CPU 环境下高效运行，甚至能在树莓派等低功耗设备上流畅使用。
• 浏览器端推理能力：
  • 利用 onnxruntime-web，Supertonic 可直接在浏览器中通过 WebGPU 进行推理，无需后端服务器支持，适合构建纯前端的语音应用。
• 开箱即用的多语言生态：
  • 无需单独下载语言包或适配器，单一模型即可处理 31 种语言，且提供 lang="na" 的容错机制，极大简化了国际化应用的开发。

适合谁用 / 上手

适合人群：

• 隐私敏感型开发者：需要处理用户敏感数据，无法使用云端 API 的应用开发者。
• 边缘计算/IoT 工程师：需要在资源受限设备（如嵌入式系统、移动设备）上部署语音功能的技术人员。
• 离线应用开发者：构建无网络依赖的桌面或移动应用，需要实时语音合成功能。
• 多语言内容创作者：需要快速将文本转换为多种语言音频，且对成本敏感的个人或团队。

上手指南：

1. Python SDK 快速体验（推荐）： 安装 Python SDK，首次运行会自动从 Hugging Face 下载模型资产。

   pip install supertonic
   

   from supertonic import TTS
   
   # 首次运行自动下载模型
   tts = TTS(auto_download=True)
   style = tts.get_voice_style(voice_name="M1")
   text = "Supertonic is a lightning fast, on-device TTS system."
   
   wav, duration = tts.synthesize(
       text=text,
       lang="en",
       voice_style=style,
       total_steps=8,  # 质量：5(低) 到 12(高)，默认 8(中)
       speed=1.05      # 速度：0.7(慢) 到 2.0(快)
   )
   
   tts.save_audio(wav, "output.wav")
   print(f"Generated {duration[0]:.2f}s of audio")
   

2. 启动本地 HTTP 服务： 适用于需要与 OpenAI 兼容客户端或其他 HTTP 工具集成的场景。

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

   启动后，可通过 http://127.0.0.1:7788/docs 查看交互式 OpenAPI 文档。

3. 源码编译与其他语言： 对于需要深度定制或使用其他语言（如 Swift, Rust, Go）的用户，需克隆仓库并安装 Git LFS 以获取模型文件。

   git clone https://github.com/supertone-inc/supertonic.git
   cd supertonic
   # 安装 Git LFS 并下载模型
   git lfs install
   git clone https://huggingface.co/Supertone/supertonic-3 assets
   # 进入对应语言目录运行示例，例如 Swift
   cd swift
   swift build -c release
   .build/release/example_onnx