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：

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）

实时因子 RTF（越低越好）

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

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。