Supertonic 3：把 AI 语音合成装进口袋

图1：Supertonic 3 官方宣传图

你有没有想过，手机上那些正在加载的语音助手，每次出声都要把数据送到云端再返回——延迟高、隐私差、没网就罢工。而 Supertonic 3 告诉你：不需要了。

Supertonic 是由韩国 AI 音频公司 Supertone 开源的多语言文本转语音（TTS）系统。2026年4月发布第三代 Supertonic 3，支持 31种语言，参数量仅 9900万（约99M），却能达到与 0.7B~2B 参数大模型相当的语音质量，所有推理完全在本地运行，不依赖任何云端 API。

它解决了什么痛点？

延迟之痛：传统云端 TTS 的网络往返延迟通常在 300ms~2s 以上，Supertonic 3 实现了本地实时合成，官方 benchmark 显示其延迟远低于云端方案。对于需要实时交互的场景（语音助手、播报机器人、无障碍阅读器），这是一个本质区别。

隐私之痛：医疗、金融、客服等场景下，用户语音数据不能出境。Supertonic 3 完全离线运行，数据永远不离开设备。

体积之痛：传统端侧 TTS 模型动辄几百MB甚至数GB，Supertonic 3 的 99M 参数模型体积大幅缩小，Raspberry Pi 这类边缘设备也能跑。

核心技术架构

Supertonic 3 的核心是 ONNX Runtime——一个跨平台、高性能推理引擎，Supertone 将训练好的神经网络导出为 ONNX 格式，实现了硬件无关的本地部署。

图2：模型参数量对比（来源：官方 benchmark）

项目采用多语言联合训练策略，一个统一模型覆盖全部 31 种语言，无需针对每种语言单独微调。输入端支持语言标签指定（lang=zh），也支持 lang=na（not applicable）模式，由模型自动判断输入文本的语言类型并自适应合成——这对混语内容创作者非常友好。

在音频表达层面，Supertonic 3 引入了一套 Expression Tags 机制：<laugh>、<breath>、<sigh> 等10种内联标签，可以精准控制合成语音的情感风格，无需额外的参考音频或提示工程。

输出规格为 44.1kHz 16-bit WAV，属于录音棚级别采样率，可直接用于生产环境，无需额外的音频上采样步骤。

多语言 SDK 生态

Supertonic 3 罕见地提供了 11种语言/平台的官方 SDK：

• Python（pip install supertonic）
• Node.js（含 npm 包）
• Web（浏览器 WebGPU 直连 ONNX Runtime Web）
• Swift / iOS
• Java / C# / C++ / Go / Rust / Flutter

Python SDK 在 2026年5月新增了 supertonic serve 命令，可一键启动本地 HTTP 服务器，同时暴露 /v1/tts（原生）和 /v1/audio/speech（OpenAI 兼容）两个端点，无缝替换 OpenAI TTS API，现有基于 OpenAI 的应用无需改代码即可迁移。

Web 版通过 ONNX Runtime Web + WebGPU 在浏览器中直接运行 ONNX 模型，无需服务器中转，打开网页即可体验完整 TTS 功能。

图3：CPU/GPU 延迟与内存占用 benchmark（来源：官方 benchmark）

部署与上手

Python 快速开始（3步完成）：

pip install supertonic
supertonic generate --text "你好世界" --lang zh

Web 在线 Demo：直接访问 HuggingFace Spaces（https://huggingface.co/spaces/Supertone/supertonic-3），浏览器中体验，无需安装任何依赖。

硬件需求：CPU 推理即可，无需 GPU。推荐 2GB RAM + 1GB 磁盘空间。树莓派 4、骁龙芯片手机均可运行。

局限性：

• 不支持自定义音色克隆（需要 Supertone Play 平台）
• 99M 模型在音质上与 2B 级大模型仍有差距
• 边缘设备上合成速度可能无法达到实时

行业意义

Supertonic 3 的出现，标志着 TTS 领域从云端垄断向端侧普及的转变。它证明了：在语音合成任务上，足够小的模型配合足够好的训练，可以兼顾质量、速度与隐私三要素。

从开源社区角度看，Supertone 同时维护 11 个语言 SDK，这在 AI 开源项目中极为罕见，体现了团队对开发者体验的高度重视。尤其是 OpenAI-compatible API 端点的加入，让生态迁移成本几乎为零。

随着 Supertonic 3 于 2026年5月正式登陆 Supertone Play 和 Supertone API 商业平台，其开源模型与商业服务形成了完整的组合拳——开源版本满足隐私敏感场景，商业版本提供托管服务和音色克隆能力。