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

快速信息卡

学习目标

读完本文后，你应该能够：

• 理解 Supertonic 3 的核心价值：纯端侧推理、隐私优先、零 API 成本
• 掌握 Python SDK 的基本用法：安装、基础合成、多语言合成、表达标签
• 部署本地 HTTP API（supertonic serve）并提供 OpenAI 兼容接口
• 了解多 Runtime SDK 矩阵，选择适合你场景的集成方式
• 判断 Supertonic 是否适合你的项目（适用边界）

目录

• 快速信息卡
• 学习目标
• 关键价值：纯端侧、隐私优先
• 快速上手：pip install，一行代码合成语音
• 本地 HTTP API 部署：supertonic serve
• 多 Runtime SDK 矩阵
• Voice Builder：创建自定义音色
• 适用边界
• FAQ
• 自测题
• 进阶路径
• 总结

关键价值：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

FAQ

Q1：Supertonic 支持哪些语言？中文效果如何？

支持 31 种语言，包括中文、英文、日语、韩语、阿拉伯语、德语、法语等。中文合成效果自然，支持表达标签（<breath>、<laugh>、<sigh>）增强真实感。

Q2：supertonic serve 的默认端口是多少？如何修改？

默认端口是 18792。修改方式是在启动时指定 --port 参数：supertonic serve --port 8080。

Q3：Supertonic 支持流式输出吗？

支持。Python SDK 的 tts.tts_stream() 方法可以流式返回音频数据，适合实时语音对话场景。

Q4：Voice Builder 需要多少参考音频？

官方建议至少 30 秒的清晰参考音频。音频质量越高，生成的自定义音色越接近目标声音。

Q5：Supertonic 能在生产环境使用吗？

可以。Supertonic 3 已经相对稳定，且 MIT 许可证允许商用。但建议先在小规模场景验证，确保满足你的延迟和音质要求。

自测题

问题 1：Supertonic 的核心价值是什么？与云端 TTS 服务相比有哪些优势？

问题 2：如何启动本地 HTTP API 服务？OpenAI 兼容接口的端点是哪个？

问题 3：表达标签有哪些？如何使用？

问题 4：Supertonic 支持哪些 Runtime SDK？列举至少 5 个。

问题 5：什么场景下不适合使用 Supertonic？

进阶路径

阶段 1：基础集成（1-2 周）

• 安装 Supertonic Python SDK，运行官方示例
• 部署本地 HTTP API（supertonic serve）
• 集成到现有 AI Agent 或 Assistant 项目
• 测试 31 种语言的合成效果

阶段 2：生产优化（2-4 周）

• 配置 GPU 加速（如果有 NVIDIA GPU）
• 优化音频后处理（降噪、音量归一化）
• 实现缓存机制（相同文本不重复合成）
• 监控服务性能和可用性

阶段 3：高级功能（1-2 个月）

• 使用 Voice Builder 创建自定义音色
• 集成到多模态 Agent（配合 ASR、LLM）
• 优化延迟（流式输出、批处理）
• 贡献代码或插件到社区

阶段 4：生态贡献（持续优化）

• 修复 Bug 或提交 Feature Request
• 编写插件或扩展（WASM 插件）
• 分享最佳实践（博客、会议演讲）
• 参与社区讨论（Discord、GitHub Discussions）

进阶资源：

• 官方文档：https://supertone.github.io/supertonic/
• HuggingFace 模型：https://huggingface.co/Supertone/supertonic-3
• 示例代码：https://github.com/supertone-inc/supertonic/tree/main/examples
• Discord 社区：https://discord.gg/supertone

总结

Supertonic 3 做的事情很简单：把 TTS 引擎做成 99M 的 ONNX 模型，塞进设备本地跑，不连云、不掏钱、不挑语言。31 种语言、44.1kHz 输出、<laugh> <breath> 表达标签——这些参数在 2026 年的开源 TTS 里算扎实的。

但它是不是你的唯一选择，取决于场景：

• 做 AI Agent 的语音输出层，或者医疗/金融这种数据不能出设备的场景 → 选它。
• 要广播级音质、超长文本合成 → 还是得用云端商业服务（Azure TTS、Google Cloud TTS）。
• 要精细情感控制的角色扮演 → 表达标签目前支持有限，得等后续版本或者自己训练。

部署只要两条命令：pip install supertonic + supertonic serve。OpenAI 兼容接口让现有应用几乎不用改代码。多 Runtime SDK 覆盖从 Python 到 Swift，从浏览器到嵌入式——集成成本不高。

GitHub: https://github.com/supertone-inc/supertonic（12,712+ ⭐） HuggingFace: https://huggingface.co/Supertone/supertonic-3 PyPI: https://pypi.org/project/supertonic/