GITHUB DAILY #031
Supertonic：99M 参数的端侧 TTS 怪兽，整页网页 1 秒转语音
2026-05-17 · 今日 Trending +749 Stars · 7.1k Stars
项目supertone-inc/supertonic一句话定位闪电级设备端多语言 TTS，ONNX 原生运行Stars7,098 · 今日 +749语言Swift / Python / ONNX参数量~99M（竞品 0.7B-2B）支持语言31 种协议MIT（代码）/ OpenRAIL-M（模型）发布时间2026-04-29（Supertonic 3）
它能解决什么问题？
用过 ElevenLabs、OpenAI TTS、Azure Speech 的开发者都清楚这几个痛点：
1
你的语音数据必须上传云端
医疗记录、金融财报、客服对话 —— 这些数据发到第三方 API，合规风险极高。GDPR、HIPAA、等保 2.0 哪一个都够你喝一壶的。
2
模型动辄 0.7B-2B 参数，设备跑不动
想在树莓派、手机、电子书阅读器上做本地语音合成？现有开源方案（如 Qwen3-TTS、OmniVoice）的模型体积直接劝退。
3
复杂文本朗读一塌糊涂
"Q1 revenue $5.2M" 念成 "Q one revenue five point two em"？电话号码 "(212) 555-0142 ext. 402" 读得支离破碎？几乎所有主流 TTS 服务都在这里翻车。
**Supertonic 的答案：**99M 参数（主流方案的 1/10）、纯本地运行零云端依赖、31 种语言开箱即用、唯一能正确朗读金融表达式和电话号码的开源 TTS。
核心亮点，逐一拆解
1
99M 参数 vs 竞品 2B：小 20 倍，一样能打
Supertonic 3 仅 99M 参数，ONNX 模型约 350MB。对比 OmniVoice、Qwen3-TTS 等动辄 0.7B-2B 的方案，下载快 10 倍、冷启动快 10 倍、内存占用低 10 倍。不需要 GPU，CPU 就能跑到实时。测试数据显示最高可达 167 倍实时速度（Apple M4 Pro），整页网页转语音不到 1 秒。
2
LARoPE：解决长文本 TTS 的"一致性塌方"
这是 Supertonic 最核心的技术创新 —— Length-Aware Rotary Position Embedding。传统 RoPE 位置编码在处理变长语音片段时，位置信息会衰减，导致长文本后半段语调偏移、发音错误。LARoPE 将位置编码与语音片段长度解耦，长文本合成的一致性显著提升。论文发表在 arXiv:2509.11084。
Self-Purifying Flow Matching：Supertonic 的训练策略还能自动净化噪声标签，让模型对数据质量的依赖大幅降低。
3
复杂文本朗读：碾压所有主流服务
Supertonic 无需 G2P（字素转音素）预处理，直接处理原始文本。在金融表达式、电话号码、技术单位等场景中，是唯一全部正确的开源方案：
| 场景 | 示例 | Supertonic | ElevenLabs | OpenAI | Gemini | Microsoft |
|---|---|---|---|---|---|---|
| 金融表达 | ||||||
| 450K | ||||||
| 正确 | 错误 | 错误 | 错误 | 错误 | ||
| 电话号码 | ||||||
| (212) 555-0142 ext. 402 | ||||||
| 正确 | 错误 | 错误 | 错误 | 错误 | ||
| 技术单位 | ||||||
| 2.3h, 30kph | ||||||
| 正确 | 错误 | 错误 | 错误 | 错误 |
4
11 个平台 SDK，从浏览器到 iOS 全覆盖
Python、Node.js、C++、C#、Go、Swift、iOS、Rust、Flutter、Java、Browser（WebGPU/WASM）—— 这可能是 TTS 领域跨平台支持最全面的项目。浏览器版直接在用户端运行，零服务器成本。
5
10 种情感标签，让合成语音有"灵魂"
Supertonic 3 引入内联情感标签，直接嵌入文本即可控制语气，无需参考音频：
<throat_clear>
比如输入："That's hilarious! <laugh> I can't believe it."，合成语音会在对应位置自然地加入笑声。
6
31 种语言 + 语言无关模式
覆盖中英日韩法德阿拉伯等 31 种语言，甚至支持 lang="na" 语言无关模式 —— 当输入文本语言未知时，模型自动适配。这对多语言客服系统、翻译应用来说是杀手级特性。
English中文日本語한국어FrançaisDeutschEspañolالعربيةPortuguêsРусскийItaliano+20 more
三模块架构，极简设计
Supertonic 的架构精简到只有三个核心模块，但每个都经过深度优化：
Speech Autoencoder（语音自编码器）
将语音信号压缩为连续的潜在表示（latent representation），为文本到语音的映射提供统一的表示空间。这是整个系统的"语音压缩引擎"。
Flow Matching Text-to-Latent（流匹配文本转潜在向量）
核心扩散模型，将输入文本转换为语音潜在向量。关键创新：字符级输入（无需 G2P 模块）+ ConvNeXt 特征提取 + 交叉注意力文本-语音对齐 + LARoPE 位置编码。训练时采用 Self-Purifying Flow Matching 自动净化噪声标签。
ONNX Runtime 推理引擎
全部基于 ONNX Runtime 深度优化，确保跨平台一致性。浏览器端使用 onnxruntime-web（WebGPU/WASM），移动端使用原生 ONNX Runtime，无需 GPU 即可实时运行。
输出质量：44.1kHz 16-bit WAV，录音棚级别，无需外部上采样器。
从 v1 到 v3：三个月的进化
2025 年 12 月 · v1首个开源版本，仅支持英语，44M 参数，ONNX 模型约 200MB2026 年 1 月 · v2扩展到 5 种语言，66M 参数，发布 Voice Builder（声音克隆工具），PyPI 包上线2026 年 4 月 · v3（最新）31 种语言 · 99M 参数 · 情感标签 · 朗读稳定性大幅提升，重复/跳读失败率显著降低，说话人相似度改善
实战场景：不只是"念课文"
场景一：医疗病历语音播报（隐私优先）
患者数据不能上传云端。Supertonic 在本地设备实时朗读电子病历、检查报告，医生查房时无需盯着屏幕。"患者血压 120/80mmHg，空腹血糖 5.3mmol/L" —— 技术单位朗读完全正确。
场景二：金融财报电话会议自动生成
输入 Q1 财报文本："Revenue reached 450K." Supertonic 能正确朗读所有金融表达式，配合情感标签 、 等模拟自然的财报电话会议语气。唯一能做到这一点的开源方案。
场景三：多语言客服机器人（浏览器端）
使用 WebGPU/WASM 版本，直接在用户浏览器中运行 TTS。配合 ASR 实现低延迟语音助手，支持 31 种语言自动切换，零服务器成本。使用 模式处理语言未知的来电。
场景四：离线电子书阅读器
已有基于 Supertonic 的 iOS 应用 PageEcho。树莓派 + Supertonic 即可搭建离线有声书系统，适合飞行模式、偏远地区、隐私敏感的用户群体。
蓬勃的生态系统
Supertonic 发布不到半年，社区已经构建了丰富的应用矩阵：
| 项目 | 类型 | 说明 |
|---|---|---|
| TLDRL | ||
| Chrome 扩展 | ||
| 网页一键转语音，1 秒完成 | ||
| Read Aloud | ||
| 浏览器扩展 | ||
| 开源网页朗读，Chrome/Edge 均支持 | ||
| PageEcho | ||
| iOS App | ||
| 电子书阅读器，离线 TTS | ||
| VoiceChat | ||
| Web Demo | ||
| 浏览器端语音到语音 LLM 聊天 | ||
| OmniAvatar | ||
| 数字人 | ||
| 照片 + 语音生成说话视频 | ||
| CopiloTTS | ||
| Kotlin SDK | ||
| Kotlin Multiplatform TTS | ||
| Supertonic MNN | ||
| 量化版本 | ||
| MNN 推理（fp32/fp16/int8） | ||
| Transformers.js | ||
| JS 集成 | ||
| HuggingFace 官方 JS 库已集成 | ||
Hugging Face 上已有 9+ 个基于 Supertonic 的 Demo Space、1 个微调模型、1 个量化版本。
上手指南：3 分钟跑起来
方式一：Python 快速体验
# 安装（自动下载模型）
pip install supertonic
# Python 代码
from supertonic import TTS tts = TTS(auto_download=True) style = tts.get_voice_style(voice_name="M1") text = "Q1 revenue reached 450K." wav, duration = tts.synthesize( text=text, lang="en", voice_style=style, total_steps=8, # 质量 5(低) ~ 12(高)speed=1.05, # 语速 0.7(慢) ~ 2.0(快) ) tts.save_audio(wav, "output.wav") print(f"Generated {duration[0]:.2f}s of audio")
方式二：中文语音合成
from supertonic import TTS tts = TTS(auto_download=True) style = tts.get_voice_style(voice_name="M1")
# 中文文本合成（注意：Supertonic 对中文支持需实测）
text = "今年第一季度营收达到五十二万美元，同比增长百分之二十三。" wav, duration = tts.synthesize(text=text, lang="na", voice_style=style) tts.save_audio(wav, "chinese_output.wav")
方式三：浏览器端运行（零服务器）
# 克隆仓库
git clone github.com/supertone-i… cd supertonic/web npm install npm run dev
# 打开浏览器即可使用 WebGPU/WASM 推理
方式四：下载完整模型（Git LFS）
# 安装 Git LFS（macOS）
brew install git-lfs && git lfs install
# 下载 Supertonic 3 模型
git lfs install git clone huggingface.co/Supertone/s… assets
**提示：**首次运行 PyPI 包时会自动从 Hugging Face 下载模型，无需手动操作。音色预设包括 M1-M5（男声）和 F1-F5（女声），
使用 tts.get_voice_style(voice_name="F2") 切换。
性能基准：数据说话
在 MiniMax-MLS-Test 基准测试（WER/CER，越低越好）中的表现：
| 语言 | VoxCPM2 | OmniVoice | Qwen3-TTS | Supertonic 2 | Supertonic 3 |
|---|---|---|---|---|---|
| English | |||||
| 2.11 | |||||
| 2.02 | |||||
| 2.25 | |||||
| 2.52 | |||||
| 2.06 | |||||
| Spanish | |||||
| 1.34 | |||||
| 0.99 | |||||
| 0.75 | |||||
| 1.81 | |||||
| 1.13 | |||||
| Korean* | |||||
| 4.70 | |||||
| 3.22 | |||||
| 4.07 | |||||
| 3.65 | |||||
| 3.26 | |||||
| German | |||||
| 0.85 | |||||
| 0.96 | |||||
| 0.52 | |||||
| — | |||||
| 0.86 | |||||
| Russian | |||||
| 3.31 | |||||
| 4.53 | |||||
| 4.48 | |||||
| — | |||||
| 3.99 | |||||
| Ukrainian | |||||
| 5.85 | |||||
| 0.71 | |||||
| — | |||||
| — | |||||
| 1.23 | |||||
* 标星号为 CER（字符错误率），其余为 WER（词错误率）。Supertonic 3 在大多数语言上接近或超越远大于自身的模型，且完全在 CPU 上运行 —— 对手们跑在 A100 GPU 上。
诚实说：目前的局限
!
GPU 加速尚未充分优化
当前版本以 CPU 推理为主，GPU 模式尚未充分测试。如果你需要批量并发，目前只能靠多核 CPU 并行。
!
输出格式仅限 16-bit WAV
原生输出仅支持 WAV 格式。如果需要 MP3/AAC，需要自行使用 ffmpeg 等工具转换。
!
声音克隆需商业版 Voice Builder
开源版本提供 M1-M5、F1-F5 共 10 种预设音色。自定义声音克隆需使用商业版 Voice Builder（2026.01.22 发布）。
!
部分语言 WER 偏高
在 Finnish（5.40）、Vietnamese（4.49）等语言上表现较弱，仍需持续优化。
今日总结
Supertonic 是端侧 TTS 领域的一次范式级突破。99M 参数做到了 2B 级别的质量，31 种语言、11 个平台 SDK、10 种情感标签、唯一正确朗读金融表达式的开源 TTS —— 这些指标放在一起，目前没有对手。
如果你在做隐私敏感的语音应用（医疗、金融、客服）、需要离线部署（嵌入式、车载、电子书）、或者想给产品加上多语言 TTS 能力又不想烧云服务费，Supertonic 值得你立刻 Star 并试用。
如果这篇文章对你有帮助，欢迎点赞、在看、转发三连 🔥
明天同一时间，我们继续发掘下一个值得深读的开源项目
GitHub Daily · 每天一个值得深读的开源项目
前往 GitHub 仓库
