Supertonic 3: 99M参数本地多语言TTS引擎，完全基于ONNX实现端侧推理

核心价值：纯端侧、隐私优先

Supertonic 3 是 Supertone 公司开源的超高速本地多语言 TTS 引擎，99M 参数，ONNX 格式，完全离线运行。与云端 TTS 服务相比，核心差异在于：

• 数据不出设备：纯端侧推理，医疗、金融、客服等隐私敏感场景天然适用
• 零 API 调用成本：不依赖任何云服务，无配额限制
• 31 种语言覆盖：英语、中文、日语、韩语、阿拉伯语、德语、法语等主流语言开箱即用
• 44.1kHz 高保真音频：输出质量对标商业级 TTS 服务
• <laugh>、<breath>、<sigh> 表达标签：插入自然韵律，让合成语音更真实

GitHub：https://github.com/supertone-inc/supertonic，HuggingFace 模型：Supertone/supertonic-3。

快速上手：pip install，一行代码合成语音

安装

pip install supertonic

首次运行会自动从 Hugging Face 下载模型（约百MB），无需手动配置。

Python 基本用法

from supertonic import TTS

tts = TTS(model="supertonic-3")

# 基础合成
audio = tts.tts("你好，欢迎使用 Supertonic 3。")
tts.save(audio, "hello.wav")

# 使用表达标签增强自然度
audio = tts.tts("大家好<breath>，今天我们来聊一聊<laugh>最新的 AI 技术进展。")
tts.save(audio, "expressive.wav")

多语言示例

tts = TTS(model="supertonic-3")

texts = {
    "英语": "Hello, this is a test of multilingual TTS.",
    "中文": "你好，这是一条中文测试语音。",
    "日语": "こんにちは、音声合成のテストです。",
    "韩语": "안녕하세요, 다국어 음성 합성 테스트입니다.",
    "阿拉伯语": "مرحبا، هذا اختبار للغة العربية.",
}

for lang, text in texts.items():
    audio = tts.tts(text)
    tts.save(audio, f"{lang}.wav")

本地 HTTP API 部署：supertonic serve

Python SDK v1.3.1 起内置了 supertonic serve 命令，一键启动本地 HTTP 服务，暴露 OpenAI 兼容接口，方便 AI Agent 和语音助手集成。

启动服务

supertonic serve

默认监听 http://localhost:18792，模型会在首次请求时自动下载。

接口一：/v1/tts（原生接口）

curl -X POST http://localhost:18792/v1/tts \
  -H "Content-Type: application/json" \
  -d '{
    "text": "你好，Supertonic。",
    "output_path": "output.wav"
  }' \
  --output output.wav

接口二：/v1/audio/speech（OpenAI 兼容）

与 OpenAI TTS API 完全兼容，现有应用无缝切换：

curl -X POST http://localhost:18792/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{
    "model": "supertonic-3",
    "input": "你好，Supertonic。",
    "voice": "default"
  }' \
  --output output.wav

Python SDK 调用方式：

import requests

response = requests.post(
    "http://localhost:18792/v1/audio/speech",
    json={
        "model": "supertonic-3",
        "input": "你好，欢迎使用 Supertonic 3。",
        "voice": "default"
    }
)

with open("output.wav", "wb") as f:
    f.write(response.content)

多 Runtime SDK 矩阵

除了 Python，Supertonic 还提供多语言 SDK，覆盖从生产环境到嵌入式的各种场景：

Voice Builder：创建自定义音色

Supertonic 提供 Voice Builder 功能，允许用户通过少量语音样本创建永久自定义音色，无需 Fine-tuning，适合品牌声音定制和个性化场景。

具体步骤需参考官方文档（仓库 README），核心流程：

1. 准备一段目标音色的参考音频（短则几十秒）
2. 通过 Voice Builder API 注册音色 profile
3. 合成时指定音色 ID，即可生成个性化语音

适用边界

适合的场景

• 隐私敏感行业：医疗记录、金融客服、法律咨询，数据不离设备
• AI Agent / Assistant 集成：作为语音输出层，配合 ASR 实现端到端语音对话
• 嵌入式 / 边缘设备：树莓派、Jetson Nano 等 ARM 设备上的离线语音助手
• 多语言内容生成：电子书朗读、教育内容多语言配音

不适合的场景

• 超长文本（>5分钟）的广播级音质需求，当前版本更适合短句实时合成
• 需要精细情感控制的角色扮演场景，表达标签支持有限
• 无 GPU 的极低端设备（如老旧手机）上追求低延迟

总结

Supertonic 3 的核心定位是端侧多语言 TTS 基础设施：

• 纯本地：ONNX Runtime 驱动，无云依赖，数据完全私有
• 高性能：99M 参数 + 流式推理，44.1kHz 输出，适合实时场景
• 开箱即用：pip install + supertonic serve，两条命令完成部署
• 多语言：31 种语言 + 表达标签，覆盖大多数语音合成需求
• 多 SDK：从 Python 到 Swift，从浏览器到嵌入式，覆盖全平台

AI Agent 大爆发时代，本地 TTS 是语音交互层的关键基础设施，Supertonic 3 是目前开源生态中技术参数最扎实、平台覆盖最全面的选择之一。

相关链接：

• GitHub：https://github.com/supertone-inc/supertonic
• HuggingFace：https://huggingface.co/Supertone/supertonic-3
• PyPI：https://pypi.org/project/supertonic/