Supertonic 3：99M参数本地运行的多语言TTS引擎

Supertonic 是一个极速本地多语言文字转语音系统，基于 ONNX Runtime 在设备端运行，无需网络、无需 API 调用、隐私完全保障。Supertonic 3 版本支持 31 种语言，约 99M 参数（约 0.1B），输出 44.1kHz 高质量音频。

核心特性

• ⚡ 极速合成 — 桌面端可在 1 秒内将整页网页转为音频
• 🌍 31 语言支持 — 阿拉伯语、保加利亚语、中文、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、芬兰语、法语、德语、希腊语、印地语、匈牙利语、印尼语、意大利语、日语、韩语、拉脱维亚语、立陶宛语、波兰语、葡萄牙语、罗马尼亚语、俄语、斯洛伐克语、斯洛文尼亚语、西班牙语、瑞典语、土耳其语、乌克兰语、越南语
• 🪶 99M 参数 — 远小于 0.7B–2B 级别的开源 TTS 系统，冷启动快，内存占用低
• 📱 边缘设备支持 — 树莓派、e-reader 等无 GPU 设备也能运行
• 🔊 44.1kHz 高质量音频 — 直接输出无需升采样
• 🎭 10 种 Expression Tags — <laugh>、<breath>、<sigh> 等自然表达标签，无需 prompt 工程
• 🛠️ 多运行时 SDK — Python、Node.js、Browser (WebGPU)、Java、C++、C#、Go、Swift、iOS、Rust、Flutter

Supertonic 3 vs 前代

快速开始

pip install supertonic

from supertonic import TTS

tts = TTS(auto_download=True)  # 首次运行自动下载模型
style = tts.get_voice_style(voice_name="M1")
wav, duration = tts.synthesize(
    text="Hello, this is Supertonic TTS.",
    lang="en",
    voice_style=style,
    total_steps=8,  # 质量: 5(低) 到 12(高)，默认8
    speed=1.05,    # 速度: 0.7 到 2.0
)
# wav: numpy array (1, num_samples,) float32 @ 44100 Hz

本地 HTTP 服务器（v1.3.1 新增）

supertonic serve

• /v1/tts — 原始 TTS 接口
• /v1/audio/speech — OpenAI 兼容接口

学术支撑

Supertonic 基于三篇论文：

• SupertonicTTS (arXiv:2503.23108) — 主架构
• LARoPE (arXiv:2509.11084) — Length-Aware RoPE 文本-语音对齐
• Self-Purifying Flow Matching (arXiv:2509.19091) — 噪声标签训练

许可

• 代码: MIT License

• 模型权重: OpenRAIL-M License

• GitHub: https://github.com/supertone-inc/supertonic

• Hugging Face: https://huggingface.co/Supertone/supertonic-3

• Demo: https://supertonic3.github.io/