supertonic

英文原文正文为项目原始 README（英文），本站后续会翻译为中文，当前仅剔除图片与无关章节并统一排版。

此仓库已归档。开发和支持已结束。

根据许可证的条款，该代码仍可供参考。不会提供更新、错误修复、安全补丁或支持，问题和拉取请求也不再被监控。该软件按许可证规定按“原样”提供，原作者不提供任何保证或持续责任。

存档位置

源代码保存在 supertone-oss-archive GitHub 组织下。模型下载现在使用 supertone-oss-archive Hugging Face 命名空间：

• 源代码
• Supertonic 3 权重
• Supertonic 2 权重
• Supertonic 1 权重

请参阅 快速开始 下载归档模型并在本地运行。代码和模型权重保留各自的许可证。此归档不包括托管演示或 Voice Builder 服务。

Supertonic — 闪电般快速、设备端运行、精准的 TTS

Supertonic 是一个超快速的设备端多语言文本转语音系统，旨在支持本地推理，开销极小。由 ONNX Runtime 提供支持，它完全在您的设备上运行——无需云端，无需 API 调用，无隐私担忧。

✨ 高亮特点

• ⚡ 超快 — 在桌面、浏览器、移动设备和边缘设备上低延迟实时合成——快得足以在不到一秒内将整个网页转为音频
• 🌍 31 种语言多语言支持 — 直接从文本合成 31 种语言，或者传递 lang="na" 让 Supertonic 在您不知道输入语言时以语言无关方式处理文本——无需单独的语言适配器
• 🪶 9900 万参数全开放权重模型 — 紧凑、完全公开权重的检查点——仅为 0.7B–2B 级开放 TTS 系统大小的一小部分——下载更小，冷启动更快，占用内存更低
• 📱 边缘设备就绪 — 可在桌面、移动、浏览器及资源受限硬件如 Raspberry Pi 或电子书阅读器上本地运行，零网络依赖，完全隐私，无需 GPU
• 🔊 44.1kHz 高质量音频 — 直接输出 44.1kHz 16 位 WAV 工作室级音频，可用于生产播放，无需外部升采样器
• 🎭 情绪标签 — 10 个内联标签（如 <laugh>、<breath>、<sigh>）为生成的语音带来自然的人类细微差别，无需提示工程或参考音频
• 🛠️ 多运行时 SDK — 通过 ONNX Runtime 提供现成示例，支持 Python、Node.js、浏览器 (WebGPU)、Java、C、C#、Go、Swift、iOS、Rust 和 Flutter

🌍 支持的语言（31 种）

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

不确定您的文本属于哪种语言？ 传递 lang="na"，Supertonic 将以语言无关方式处理输入——无需明确的语言标签。

快速开始

使用此存储库中的示例，并从存档中明确下载模型文件。无需 Hugging Face 登录、托管演示或原始 Supertone 服务。此说明使用 Supertonic 3。

1. 克隆源代码并安装下载工具

在虚拟环境中使用 Python 3.11：

git clone https://github.com/supertone-oss-archive/supertonic.git
cd supertonic
python3.11 -m venv .venv
source .venv/bin/activate
python -m pip install huggingface_hub

在 Windows 上，在 PowerShell 中使用 .venv\Scripts\Activate.ps1 激活环境。

2. 下载归档模型

hf download supertone-oss-archive/supertonic-3 \
  --revision aafc6e32416a594460b32413efc49d7fe4ce6d46 \
  --local-dir assets

这会将 ONNX 模型、配置和预设语音风格下载到 assets/。该修订版本固定了归档快照。此下载方法不需要 Git LFS。有关归档的 Supertonic 1 和 2 权重，请参见 模型与版本。

3. 在本地生成语音

python -m pip install -r py/requirements.txt
cd py
python example_onnx.py --n-test 1 --text "This speech was generated locally with the archived Supertonic model." --lang en

生成的 WAV 文件保存在 py/results/ 中。下载依赖项和模型后，此示例可在本地进行推理，无需网络连接。有关语音选择、批量合成和其他选项，请参见 Python 示例。

Optional Python SDK

较早版本的 supertonic Python 包仍可能使用原来的 Supertone Hugging Face 命名空间进行自动下载。请按上述方法下载 assets/，并传入 model_dir，同时设置 auto_download=False。

要在 Supertonic 3 支持下使用保留的 SDK 源，请在同一虚拟环境中从仓库根目录运行以下命令：

python -m pip install "git+https://github.com/supertone-oss-archive/supertonic-py.git@df0f9686dac7fbbde391b759e2ee5286a3737622"
python py/example_pypi.py

该 SDK 示例使用本地的 assets/ 目录，并且不会下载模型。可参考归档的本地服务器指南；上面的 ONNX 示例是默认的归档设置。

在其他运行时环境中入门

在运行下面的示例之前，请从仓库根目录下载相同的 assets/ 目录。语言示例会读取这些本地文件。

某些语言示例需要本机运行时：

• Go：安装 ONNX Runtime C 库。在 macOS 上，运行 brew install onnxruntime。
• Java：使用 JDK，而不仅仅是 JRE。在 macOS 上，运行 brew install openjdk@17。
• C#：目标为 .NET 9 并允许主版本向前兼容。

其他运行时示例

cd nodejs
npm install npm start

cd web
npm 安装 npm 运行 dev

cd java
mvn clean install
mvn exec:java

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

cd csharp
dotnet restore
dotnet run

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

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

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

cd ios/ExampleiOSApp
xcodegen 生成打开 ExampleiOSApp.xcodeproj

技术详情

• 运行时：用于跨平台推理的 ONNX Runtime
• 浏览器支持：用于客户端推理的 onnxruntime-web
• 批处理：支持批量推理以提高吞吐量
• 音频输出：输出 44.1kHz 16 位 WAV 文件

性能亮点

Supertonic 3 旨在用于实际的设备上推理：体积小巧，足以在本地运行，同时在性能上仍与更大的开放 TTS 系统竞争。

阅读准确性

在 Minimax-MLS-test 基准测试 中，Supertonic 3 在与更大规模的开放 TTS 模型（如 VoxCPM2）相比时，仍保持在具有竞争力的 WER/CER 范围内，同时保留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。

上属音2到上属音3

与 Supertonic 2 相比，Supertonic 3 降低了重复和跳跃失败的发生率，改善了共享语言集合中的说话人相似度，并将语言覆盖范围从 5 种扩展到 31 种。它保留了与 v2 兼容的公共 ONNX 接口，因此现有集成可以在保持相同推理契约的情况下迁移到 v3。

运行时占用

Supertonic 3 在 CPU 上运行很快，即使与在 A100 GPU 上测量的更大型基线相比，也使用了显著更少的内存。开权重固定音色设置不需要 GPU，这使得本地、浏览器和边缘部署更加容易。

模型大小

在公共 ONNX 资源中，Supertonic 3 大约有 9900 万个参数，比 0.7B 到 2B 级别的开放 TTS 系统要小得多。较小的模型尺寸在下载大小、启动时间和设备端推理方面具有实际优势。

语音克隆

这个开放权重的仓库专注于固定音色的本地 TTS，并不包含官方的语音克隆流程。如果你想在本地 Supertonic 部署中使用你自己的声音，Voice Builder 可以将一段简短的参考录音转换为 Supertonic 2 和 Supertonic 3 的特定版本 JSON 文件，使相同的自定义声音能够在支持的 Supertonic 版本之间使用。

对于托管的创作工作流程，Supertonic 3 现在已正式在 Supertone Play 和 Supertone API 上提供。当你需要托管内容创作工具、多样化的商业可用预设声音、零样本语音克隆，或基于 API 的集成而无需管理本地模型文件时，可使用它们。你也可以在 官方展示 上试听 Supertonic 3 的零样本示例。

演示

本地运行： 请按照 快速开始 使用 归档权重 操作。

树莓派

在 树莓派 上运行 Supertonic，演示设备上的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 Onyx Boox Go 6 电子阅读器上以飞行模式体验 Supertonic，实现平均 RTF 为 0.3×，且完全不依赖网络：

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

Chrome 扩展程序

在不到一秒钟内将任何网页转换为音频，提供极速、设备端的文本转语音，无需网络依赖——免费、私密且轻松：

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

编程语言支持

我们提供可直接使用的跨多个生态系统的TTS推理示例：

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 旨在处理包含自然散文、标点符号、缩写和专有名词的复杂真实文本输入。

这些历史音频样本是外部托管的，并不作为本档案的一部分进行维护。

测试用例概述：

注意： 这些示例展示了每个系统如何处理文本规范化和复杂表达的发音 而无需预处理或语音注释。

Built by Supertonic

模型与版本

特定版本的分支和标签保留历史代码。它们的旧下载说明可能引用原始组织；请使用下面的模型存档。上面的快速开始使用 Supertonic 3 及其在 main 上的匹配代码。

引用

以下论文描述了 Supertonic 使用的核心技术。如果您在研究中使用该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

本文介绍了 SupertonicTTS 的整体架构，包括语音自编码器、基于流匹配的文本到潜变量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}
}

长度感知 RoPE：文本-语音对齐

本文提出了长度感知旋转位置嵌入（LARoPE），它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}
}

自我净化流匹配：带噪标签训练

本文描述了用于在存在噪声或不可靠标签的情况下稳健训练流匹配模型的自我净化技术。

@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}
}

RobustSpeechFlow：通过基于增强的对比流匹配学习鲁棒的文本到语音轨迹

本文介绍了 RobustSpeechFlow 技术，通过针对数据变化优化流匹配轨迹来提高文本到语音生成的鲁棒性和质量

@misc{yang2026robustspeechflowlearningrobusttexttospeech,
      title={RobustSpeechFlow: Learning Robust Text-to-Speech Trajectories via Augmentation-based Contrastive Flow Matching}, 
      author={Jinhyeok Yang and Hyeongju Kim and Yechan Yu and Joon Byun and Frederik Bous and Juheon Lee},
      year={2026},
      eprint={2605.22083},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2605.22083}, 
}

许可证

本项目的示例代码已在 MIT 许可证下发布。- 详情请参见 LICENSE。

随附的模型在 OpenRAIL-M 许可证下发布。- 有关详细信息，请参阅 LICENSE 文件。

该模型使用 PyTorch 训练，PyTorch 在 BSD 3-Clause 许可证下获得许可，但未随本项目分发。- 详情请参阅 LICENSE。

版权所有 (c) 2026 苏珀通公司