supertonic

Supertonic — 闪电般快速、设备端、精准的TTS

-Demo-lightgrey) -Models-lightgrey)

Supertonic 是一个闪电般快速、运行在设备端的文本转语音（TTS）系统，专为本地推理设计，开销极小。基于 ONNX Runtime，它完全在你的设备上运行——无需云端、无需 API 调用、无隐私顾虑。

📰 更新动态

• 2026.04.29 - 🎉 Supertonic 3 发布，支持 31 种语言，阅读准确性提升，重复/跳过失败减少，并提供了兼容 v2 的公共 ONNX 资源。演示 | 模型
• 2026.01.22 - Voice Builder 现已上线！将你的声音转换为可部署、边缘原生的 TTS，并拥有永久所有权。
• 2026.01.06 - 🎉 Supertonic 2 发布，支持 5 种语言。v2 代码路径保留在 release/supertonic-2 分支上。
• 2025.12.10 - 添加了 supertonic PyPI 包！通过 pip install supertonic 安装。详情请访问 supertonic-py 文档
• 2025.12.10 - 新增 6 种语音风格（M3、M4、M5、F3、F4、F5）。详情见 Voices
• 2025.12.08 - 通过 OnnxSlim 优化的 ONNX 模型现已在 Hugging Face Models 上提供
• 2025.11.24 - 添加了 Flutter SDK 支持，兼容 macOS

快速开始

安装 Python SDK 并立即生成语音。首次运行时，Supertonic 会自动从 Hugging Face 下载模型资源。

pip install supertonic

Python

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")

text = "A gentle breeze moved through the open window while everyone listened to the story."
wav, duration = tts.synthesize(text, voice_style=style, lang="en")

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

开始使用

首先，克隆仓库：

git clone https://github.com/supertone-inc/supertonic.git
cd supertonic

先决条件

在运行示例之前，下载 ONNX 模型和预设语音，并将其放置在 assets 目录中：

注意： Hugging Face 仓库使用 Git LFS。请确保在克隆或拉取大型模型文件之前已安装并初始化 Git LFS。

• macOS: brew install git-lfs && git lfs install
• 通用：参见 https://git-lfs.com 获取安装程序

git lfs install
git clone https://huggingface.co/Supertone/supertonic-3 assets

某些语言的示例需要原生运行时：

• Go：安装 ONNX Runtime C 库。在 macOS 上，brew install onnxruntime 即可；Go 示例会自动检测 Homebrew 路径。
• Java：使用 JDK，而不仅仅是 JRE。在 macOS 上，brew install openjdk@17 即可。
• C#：目标为 .NET 9，并允许主版本向前滚动，因此 .NET 9 或更新版本的运行时可以运行。

然后运行 Python 示例：

cd py
uv sync
uv run example_onnx.py

这将使用默认预设语音生成 outputs/output.wav。

其他运行时示例

在其他语言和平台上运行 Supertonic

Node.js 示例 (详情)

cd nodejs
npm install
npm start

浏览器示例 (详情)

cd web
npm install
npm run dev

Java 示例 (详情)

cd java
mvn clean install
mvn exec:java

C++ 示例 (详情)

cd cpp
mkdir build && cd build
cmake .. && cmake --build . --config Release
./example_onnx

C# 示例 (详情)

cd csharp
dotnet restore
dotnet run

Go 示例 (详情)

cd go
go mod download
go run example_onnx.go helper.go

Swift 示例 (详情)

cd swift
swift build -c release
.build/release/example_onnx

Rust 示例 (详情)

cd rust
cargo build --release
./target/release/example_onnx

iOS 示例 (详情)

cd ios/ExampleiOSApp
xcodegen generate
open ExampleiOSApp.xcodeproj

在 Xcode 中：Targets → ExampleiOSApp → Signing：选择你的 Team，然后选择你的 iPhone 作为运行目标并构建。

技术细节

• 运行时：ONNX Runtime 用于跨平台推理
• 浏览器支持：onnxruntime-web 用于客户端推理
• 批处理：支持批量推理以提高吞吐量
• 音频输出：输出 16 位 WAV 文件

性能亮点

Supertonic 3 专为实用的设备端推理而设计：体积紧凑，可在本地运行，同时与许多更大的开源 TTS 系统保持竞争力。

阅读准确性

在所测量的语言中，Supertonic 3 在与更大的开源 TTS 模型（如 VoxCPM2）的 WER/CER 范围内保持竞争力，同时保留了轻量级的设备端部署路径。带星号的语言使用 CER；其他语言使用 WER。

Supertonic 2 到 Supertonic 3

与 Supertonic 2 相比，Supertonic 3 减少了重复和跳过失败，提高了共享语言集上的说话人相似度，并将语言覆盖范围从 5 种扩展到 31 种语言。它保持了与 v2 兼容的公共 ONNX 接口，因此现有集成可以通过相同的推理合约迁移到 v3。

运行时占用

Supertonic 3 在 CPU 上运行快速，即使与在 A100 GPU 上测量的更大基线相比也是如此，并且内存使用量大幅减少。开放权重的固定语音设置不需要 GPU，这使得本地、浏览器和边缘部署更加容易。

模型大小

公共 ONNX 资源约 99M 参数，Supertonic 3 远小于 0.7B 到 2B 级别的开源 TTS 系统。更小的模型大小在下载大小、启动时间和设备端推理方面具有实际优势。

演示

立即尝试：在浏览器中体验 Supertonic，请访问我们的 交互式演示，或从 Hugging Face Hub 开始使用预训练模型

Raspberry Pi

观看 Supertonic 在 Raspberry Pi 上运行，展示设备端实时文本转语音合成：

https://github.com/user-attachments/assets/ea66f6d6-7bc5-4308-8a88-1ce3e07400d2

电子阅读器

在飞行模式下体验 Supertonic 在 Onyx Boox Go 6 电子阅读器上的表现，平均 RTF 达到 0.3×，零网络依赖：

https://github.com/user-attachments/assets/64980e58-ad91-423a-9623-78c2ffc13680

Chrome 扩展

在不到一秒内将任何网页转换为音频，提供闪电般快速、设备端的文本转语音，零网络依赖——免费、私密、轻松：

https://github.com/user-attachments/assets/cc8a45fc-5c3e-4b2c-8439-a14c3d00d91c

为什么选择 Supertonic？

• 极速：针对低延迟、设备端语音生成进行优化，适用于桌面、浏览器和边缘部署
• 轻量级：紧凑的 ONNX 资源，专为高效本地执行设计
• 设备端能力：完全隐私，零网络依赖
• 精准阅读：阅读稳定性提升，重复和跳过失败更少
• 表达标签：支持简单的表达标签，如 <laugh>、<breath> 和 <sigh>
• 灵活部署：现成的示例涵盖 Python、JavaScript、浏览器、移动端和原生运行时

语言支持

Supertonic 3 支持 31 种语言：

代码	语言	代码	语言	代码	语言	代码	语言
en	英语	ko	韩语	ja	日语	ar	阿拉伯语
bg	保加利亚语	cs	捷克语	da	丹麦语	de	德语
el	希腊语	es	西班牙语	et	爱沙尼亚语	fi	芬兰语
fr	法语	hi	印地语	hr	克罗地亚语	hu	匈牙利语
id	印尼语	it	意大利语	lt	立陶宛语	lv	拉脱维亚语
nl	荷兰语	pl	波兰语	pt	葡萄牙语	ro	罗马尼亚语
ru	俄语	sk	斯洛伐克语	sl	斯洛文尼亚语	sv	瑞典语
tr	土耳其语	uk	乌克兰语	vi	越南语

我们在多个生态系统中提供现成的 TTS 推理示例：

语言/平台	路径	描述
Python	py/	ONNX Runtime 推理
Node.js	nodejs/	服务端 JavaScript
浏览器	web/	WebGPU/WASM 推理
Java	java/	跨平台 JVM
C++	cpp/	高性能 C++
C#	csharp/	.NET 生态系统
Go	go/	Go 实现
Swift	swift/	macOS 应用程序
iOS	ios/	原生 iOS 应用
Rust	rust/	内存安全系统
Flutter	flutter/	跨平台应用

有关详细的使用说明，请参阅每个语言目录中的 README.md。

自然文本处理

Supertonic 专为处理复杂、真实的文本输入而设计，这些输入包含自然散文、标点、缩写和专有名词。

🎧 更轻松地查看音频样本：请访问我们的 交互式演示 以更好地查看所有音频示例

测试用例概览：

范畴	主要挑战	Supertonic	ElevenLabs	OpenAI	Gemini	Microsoft
金融表达	小数金额、缩略量级（M、K）、货币符号、货币代码	✅	❌	❌	❌	❌
电话号码	区号、连字符、分机号（ext.）	✅	❌	❌	❌	❌
技术单位	带单位的小数、缩略技术符号	✅	❌	❌	❌	❌

示例 1：金融表达

文本：

"The startup secured $5.2M in venture capital, a huge leap from their initial $450K seed round."

挑战：

• 货币中的小数点（$5.2M 应读作 "five point two million"）
• 缩略量级单位（M 代表 million，K 代表 thousand）
• 货币符号（$）需要正确发音为 "dollars"

音频样本：

系统	结果	音频样本
Supertonic	✅	🎧 播放音频
ElevenLabs Flash v2.5	❌	🎧 播放音频
OpenAI TTS-1	❌	🎧 播放音频
Gemini 2.5 Flash TTS	❌	🎧 播放音频
VibeVoice Realtime 0.5B	❌	🎧 播放音频

示例 2：电话号码

文本：

"You can reach the hotel front desk at (212) 555-0142 ext. 402 anytime."

挑战：

• 括号中的区号，应作为单独数字读出
• 带连字符的电话号码（555-0142）
• 缩略的分机号表示法（ext.）
• 分机号（402）

音频样本：

系统	结果	音频样本
Supertonic	✅	🎧 播放音频
ElevenLabs Flash v2.5	❌	🎧 播放音频
OpenAI TTS-1	❌	🎧 播放音频
Gemini 2.5 Flash TTS	❌	🎧 播放音频
VibeVoice Realtime 0.5B	❌	🎧 播放音频

示例 3：技术单位

文本：

"Our drone battery lasts 2.3h when flying at 30kph with full camera payload."

挑战：

• 带缩写的十进制时长（2.3h = two point three hours）
• 带缩写的速度单位（30kph = thirty kilometers per hour）
• 技术缩写（h 代表 hours，kph 代表 kilometers per hour）
• 技术/工程语境要求正确发音

音频样本：

系统	结果	音频样本
Supertonic	✅	🎧 播放音频
ElevenLabs Flash v2.5	❌	🎧 播放音频
OpenAI TTS-1	❌	🎧 播放音频
Gemini 2.5 Flash TTS	❌	🎧 播放音频
VibeVoice Realtime 0.5B	❌	🎧 播放音频

注意： 这些样本展示了每个系统在无需预处理或音标注释的情况下，如何处理复杂表达式的文本归一化和发音。

使用 Supertonic 构建的项目

项目	描述	链接
TLDRL	免费的设备端 TTS 扩展，用于朗读任意网页	Chrome
Read Aloud	开源 TTS 浏览器扩展	Chrome · Edge · GitHub
PageEcho	iOS 电子书阅读器应用	App Store
VoiceChat	浏览器中的设备端语音到语音 LLM 聊天机器人	演示 · GitHub
OmniAvatar	通过照片+语音生成说话头像视频	演示
CopiloTTS	基于 ONNX Runtime 的 Kotlin 多平台 TTS SDK	GitHub
Voice Mixer	基于 PyQt5 的语音风格混合与修改工具	GitHub
Supertonic MNN	基于 MNN 的轻量级库（fp32/fp16/int8）	GitHub · PyPI
Transformers.js	Hugging Face 的 JS 库，支持 Supertonic	GitHub PR · 演示
Pinokio	适用于 Mac、Windows 和 Linux 的一键本地主机云	Pinokio · GitHub

引用

以下论文描述了 Supertonic 中使用的核心技术。如果你在你的研究中使用本系统，或发现这些技术有用，请考虑引用相关论文：

SupertonicTTS：主要架构

这篇论文介绍了 SupertonicTTS 的整体架构，包括语音自编码器、基于 flow-matching 的文本到隐空间模块，以及高效的设计选择。

@article{kim2025supertonic,
  title={SupertonicTTS: Towards Highly Efficient and Streamlined Text-to-Speech System},
  author={Kim, Hyeongju and Yang, Jinhyeok and Yu, Yechan and Ji, Seunghun and Morton, Jacob and Bous, Frederik and Byun, Joon and Lee, Juheon},
  journal={arXiv preprint arXiv:2503.23108},
  year={2025},
  url={https://arxiv.org/abs/2503.23108}
}

Length-Aware RoPE：文本-语音对齐

这篇论文提出了长度感知旋转位置嵌入（LARoPE），改进了交叉注意力机制中的文本-语音对齐。

@article{kim2025larope,
  title={Length-Aware Rotary Position Embedding for Text-Speech Alignment},
  author={Kim, Hyeongju and Lee, Juheon and Yang, Jinhyeok and Morton, Jacob},
  journal={arXiv preprint arXiv:2509.11084},
  year={2025},
  url={https://arxiv.org/abs/2509.11084}
}

Self-Purifying Flow Matching：带噪声标签的训练

这篇论文描述了自净化技术，用于在噪声或不可靠标签下稳健地训练 flow matching 模型。

@article{kim2025spfm,
  title={Training Flow Matching Models with Reliable Labels via Self-Purification},
  author={Kim, Hyeongju and Yu, Yechan and Yi, June Young and Lee, Juheon},
  journal={arXiv preprint arXiv:2509.19091},
  year={2025},
  url={https://arxiv.org/abs/2509.19091}
}

许可证

本项目的示例代码采用 MIT 许可证发布。详情请参见 LICENSE。

附带的模型采用 OpenRAIL-M 许可证发布。详情请参见 LICENSE 文件。

该模型使用 PyTorch 训练，PyTorch 采用 BSD 3-Clause 许可证，但未随本项目重新分发。详情请参见 LICENSE。

Copyright (c) 2026 Supertone Inc.