站点图标 高效码农

Supertonic：极致性能的本地端 TTS 系统全面解析

高效码农

 

核心问题：Supertonic 到底是什么？它为什么能在手机、笔记本甚至浏览器里做到 100 多倍实时速度，还能完全离线运行？

Supertonic 是 Supertone 公司于 2025 年开源的一个仅有 66M 参数的端侧文本转语音（Text-to-Speech）模型，基于 ONNX Runtime 实现，可在 CPU、WebGPU、移动端、桌面端完全本地运行，做到零延迟、零隐私泄露，同时推理速度最高可达 167× 实时（M4 Pro CPU 下 2 步推理）。它不是云端 API 的替代品，而是真正意义上的“把录音棚装进设备里”。

为什么你会需要 Supertonic？真实场景告诉你

核心问题：本地 TTS 到底能解决哪些痛点？

想象以下几种常见场景：

  • ✦ 你在开发一款离线阅读 App，想让文章自动朗读，但不能依赖网络，也不能把用户声音数据传到云端。
  • ✦ 你在做游戏，想让 NPC 实时说出玩家输入的任何台词（包括数字、货币、缩写），却发现所有云端 API 都有 300-1000ms 延迟。
  • ✦ 你在写一个浏览器插件，帮助视障用户朗读网页，但不能调用任何外部接口。
  • ✦ 你在做智能音箱固件升级，需要把 TTS 模型体积压到 100MB 以内，同时保持自然度。

Supertonic 直接解决以上全部问题：66M 参数、完全离线、2 步推理即可达到可商用自然度、支持数字/日期/货币原生解析、无需任何文本前处理。

个人反思：过去几年我试过几乎所有主流开源 TTS，从 Piper、Coqui 到 Kokoro，发现要么速度慢、要么体积大、要么数字读错。第一次在 M4 Pro 笔记本上跑 Supertonic 2 步推理，看到 RTF 0.006 时，我直接愣了 5 秒——这意味着我打出一行字，声音几乎是“瞬发”的，这种体验在本地端前所未有。

支持的语言与运行平台：几乎覆盖所有开发场景

核心问题：Supertonic 能在哪些平台上原生运行？

官方仓库已经给出 10 种语言/平台的完整示例代码：

平台 目录位置 典型使用场景
Python py/ 脚本、后端服务、Jupyter 实验
Node.js nodejs/ Web 服务、Electron 桌面应用
浏览器 web/ Web 页面、Chrome 插件、PWA
Java java/ Android 原生 App、服务器
C++ cpp/ 高性能桌面、嵌入式
C# csharp/ Unity 游戏、.NET 桌面应用
Go go/ 云原生后端、CLI 工具
Swift swift/ macOS 原生应用
iOS ios/ iPhone/iPad 原生 App
Rust rust/ 高安全性系统、WASM 替代方案

这意味着不管你是前端工程师、移动端开发者还是嵌入式玩家，都能找到开箱即用的代码。

性能实测：数据不会说谎

核心问题：Supertonic 到底有多快？跟主流方案比怎么样？

以下数据全部来自官方 2 步推理实测（2025 年最新硬件）：

字符每秒吞吐量（Characters per Second）

运行环境 短文本 (59 字) 中文本 (152 字) 长文本 (266 字)
Supertonic (M4 Pro CPU) 912 1048 1263
Supertonic (M4 Pro WebGPU) 996 1801 2509
Supertonic (RTX 4090) 2615 6548 12164
ElevenLabs Flash v2.5 144 209 287
OpenAI TTS-1 37 55 82
Kokoro (开源) 104 107 117

实时因子 RTF（越低越好）

运行环境 短文本 中文本 长文本
Supertonic (M4 Pro CPU) 0.015 0.013 0.012
Supertonic (M4 Pro WebGPU) 0.014 0.007 0.006
Supertonic (RTX 4090) 0.005 0.002 0.001
ElevenLabs Flash v2.5 0.133 0.077 0.057
OpenAI TTS-1 0.471 0.302 0.201

反思：当我看到 RTX 4090 上长文本 RTF 达到 0.001，也就是 1000 倍实时的时候，第一个念头是——这已经不是“快”的问题，而是可以把 TTS 当成“实时语音特效”来用了。想象一下在直播中实时把弹幕转成主播声音播出来，完全可行。

30 秒上手：最详细的入门指南

核心问题：如何在本地 30 秒内听到第一句 Supertonic 声音？

第一步：克隆仓库与模型

# 克隆代码
git clone https://github.com/supertone-inc/supertonic.git
cd supertonic

# 克隆模型（必须安装 git-lfs）
git lfs install
git clone https://huggingface.co/Supertone/supertonic assets

第二步：Python 最快体验（推荐）

# 安装依赖
pip install onnxruntime soundfile tqdm

# 运行官方示例
python py/inference.py \
  --text "Hello world! Today is 2025-11-21, I just paid $99.99 for a coffee." \
  --voice preset/ko-KR \
  --output output.wav

30 秒不到，你就会得到一个 16bit WAV 文件，数字、日期、货币全部正确朗读。


图片来源：Pexels

浏览器零依赖运行（WebGPU）

打开官方 Space 直接试：
https://huggingface.co/spaces/Supertone/supertonic

或者本地运行 web 例子：

cd web
npm install
npm start

打开 localhost:3000，在 Chrome/Edge（支持 WebGPU）里输入任意文字，瞬间出声。

进阶配置：如何榨干最后一点性能

核心问题：如何在自己的硬件上把 RTF 压到最低？

官方支持以下关键参数：

--steps         # 推理步数，2 步速度最快，5 步自然度更高
--batch_size    # 批量推理，长文本建议 4-8
--temperature   # 0.6-0.8 推荐
--cfg_weight    # 引导权重，默认 1.0

实测经验：

  • ✦ 在 M4 Pro 上，--steps 2 + WebGPU 可稳定达到 RTF 0.006
  • ✦ 在 Android 手机（Java 示例）上，--steps 3 是速度与自然度的最佳平衡
  • ✦ 在 RTX 4090 上，直接 --steps 2 --batch_size 16 可达 12000+ chars/s

应用场景深度拆解（带真实案例）

场景 1：离线阅读器 / 有声书 App

用户输入一篇 5000 字的长文，Supertonic 不到 4 秒完成整篇合成（M4 Pro），全程无网络。

场景 2：游戏实时配音

玩家在《赛博朋克》风格游戏里输入“给我来 3.14 个苹果派，价格是 €42.00”，NPC 立刻用自然语音回应，延迟 < 50ms。

场景 3：浏览器无障碍插件

视障用户打开任意新闻网站，插件自动把正文转语音，完全本地运行，不上传任何数据。

场景 4：智能音箱本地唤醒后朗读

“小超小超，明天天气怎么样？” → 音箱本地合成天气预报并播报，即使断网也能用。

个人见解：真正打动我的不是速度数字，而是“数字、货币、缩写原生支持”这一点。过去所有开源 TTS 都要自己写一大堆正则预处理，Supertonic 直接吃原始文本就行，这才是生产级可用性的体现。

许可证与商业使用

  • ✦ 代码：MIT 许可证，可随意商用
  • ✦ 模型权重：OpenRAIL-M 许可证，允许商业使用，但禁止用于违法有害场景

实用摘要：一页速览

项目 内容
模型参数量 66M
最快 RTF 0.001（RTX4090） / 0.006（M4 Pro WebGPU）
支持平台 Python/Node.js/浏览器/Java/C++/C#/Go/Swift/iOS/Rust
是否需要网络 完全离线
数字/日期/货币处理 原生支持，无需预处理
推理步数推荐 2 步（极致速度）/ 5 步（更高自然度）
模型下载地址 https://huggingface.co/Supertone/supertonic
官方仓库 https://github.com/supertone-inc/supertonic

操作清单（照着做就行）

  1. 安装 git-lfs
  2. 克隆代码 + 模型
  3. 进入 py/ 目录 pip 安装依赖
  4. 运行 inference.py 听第一句话
  5. 根据需求选择其他语言目录

FAQ

Q1：Supertonic 支持中文吗？
目前官方预设声音以韩英为主，但模型本身是多语言架构，用户可自行 finetune 中文数据。

Q2：手机上能跑吗？
能，官方已提供 Java（Android）和 Swift（iOS）完整示例，66M 模型在 2023 年以后中高端手机上 3-5 步推理流畅。

Q3：自然度跟 ElevenLabs 比如何？
2 步推理接近 ElevenLabs Flash，5 步推理已可达到部分 Prime 声音水平，且完全本地。

Q4：WebGPU 在哪些浏览器支持？
Chrome 121+、Edge 121+、Safari（macOS 15+）已原生支持。

Q5：可以商用吗？
可以，代码 MIT，模型 OpenRAIL-M，满足许可证要求即可。

Q6：为什么体积只有 66M 却这么快？
极致蒸馏 + ONNX 量化 + 创新的 2-step 扩散架构共同作用。

Q7：有没有声音克隆功能？
当前版本是零样本多说话人，不支持单人克隆，后续可能推出。

Q8：怎么贡献声音或训练自己的版本？
关注官方 GitHub，后续会放出训练脚本。

Supertonic 把“本地 TTS 又快又好用”这件事，从“理论可行”直接推到了“开箱即用”。如果你还在为 TTS 延迟、隐私、成本发愁，强烈建议现在就去试试——30 秒就能听到未来。

退出移动版