Supertonic：99M 参数跑赢大模型，端侧 TTS 迎来「平民化」时代
韩国Supertone公司开源的Supertonic 3是一款突破性的端侧TTS系统，仅99M参数却支持31种语言，能在树莓派等低功耗设备上实时合成语音。该系统采用创新的三组件架构，包含语音自编码器、文本到隐变量模块和时长预测器，通过LARoPE位置编码等技术实现高效文本-语音对齐。实测显示，其CPU推理速度可媲美GPU方案，在复杂文本规范化（如金融数字、技术单位）处理上优于主流云端TTS。工程方
摘要：2026 年 4 月，韩国 AI 音频公司 Supertone 开源了 Supertonic 3——一个仅 99M 参数、基于 ONNX Runtime 的端侧 TTS 系统，支持 31 种语言，在树莓派上即可实时合成语音。本文从架构设计、性能对比、工程落地三个维度深度拆解这一项目，探讨端侧 TTS 的技术趋势与应用前景。
一、为什么我们需要「不联网」的 TTS？
2026 年的 TTS 赛道可谓百花齐放：OpenAI 的 TTS-1、Google 的 Gemini Flash TTS、ElevenLabs 的 Flash v2.5、阶跃星辰的 StepAudio 2.5……但这些方案有一个共同的硬伤——全部依赖云端 API。
云端 TTS 的三大痛点：
| 痛点 | 具体表现 |
|---|---|
| 隐私风险 | 用户文本数据上传至第三方服务器，医疗、金融、法律等敏感场景难以合规 |
| 延迟与成本 | 网络往返 + API 调用费用，大规模文本朗读场景成本不可控 |
| 离线不可用 | 无网络环境（飞行模式、偏远地区、车载场景）完全无法使用 |
Supertonic 的回答很直接：把 TTS 做到你的设备上，不需要云。
二、Supertonic 3 核心架构解析
Supertonic 的技术论文 arXiv:2503.23108 描述了一套精心设计的三组件架构。
版本说明：论文中描述的 SupertonicTTS 基础架构参数量为 44M；当前开源的 Supertonic 3 版本经过迭代扩展，公开 ONNX 资产约 99M 参数。
2.1 整体流水线
原始文本 → [文本编码器] → [Text-to-Latent 流匹配模块] → [语音自解码器] → WAV 音频
↑
[时长预测器]
三个核心组件各司其职：
① 语音自编码器（Speech Autoencoder）
- 将语音波形压缩到低维连续隐空间
- 对隐变量进行时间维度压缩，大幅降低序列长度
- 使用 ConvNeXt 块作为骨干网络，兼顾表达能力与推理效率
② 文本到隐变量模块（Text-to-Latent）
- 基于 Flow Matching（流匹配）实现文本到语音隐空间的映射
- 直接操作原始字符级文本，无需 G2P（字素到音素）转换模块
- 使用 Cross-Attention 进行文本-语音对齐，省去外部对齐器
③ 话语级时长预测器（Utterance-Level Duration Predictor）
- 预测整句话的时长分布，而非逐音素时长
- 简化了传统 TTS 中复杂的时长建模流程
2.2 关键技术创新
Length-Aware RoPE（LARoPE） arXiv:2509.11084
传统 TTS 在 Cross-Attention 中使用标准位置编码，但文本和语音序列长度差异巨大，导致对齐困难。LARoPE 提出了一种长度感知的旋转位置编码，根据序列实际长度动态调整位置编码的频率基，显著改善了文本-语音的对齐质量。
Context-Sharing Batch Expansion
训练 TTS 模型时，同一文本需要与不同语音配对。该技术让同一文本的多个语音样本共享文本编码结果，在几乎不增加内存和 I/O 开销的前提下，加速损失收敛并稳定文本-语音对齐。
Self-Purifying Flow Matching arXiv:2509.19091
流匹配模型在训练时容易受到噪声标签的影响。Supertonic 引入自净化机制，在训练过程中自动识别并降权不可靠的样本，提升模型在真实数据上的鲁棒性。
2.3 模型参数量对比
| 模型 | 参数量 | 是否支持端侧部署 |
|---|---|---|
| Supertonic 3 | ~99M | ✅ 原生支持 |
| CosyVoice 2 (阿里) | ~500M | ⚠️ 较勉强 |
| F5-TTS | 使用 DiT 架构，参数量大于 Supertonic | ❌ 需要 GPU |
| Bark (Suno) | 参数量达数十亿级别 | ❌ 需要 GPU |
99M 参数意味着：模型文件约 200MB（FP16），一张普通手机即可加载运行。
三、性能实测：小模型的「越级」表现
3.1 阅读准确率（WER/CER）
Supertonic 3 在多语言 WER（词错误率）/ CER（字错误率）评测中，与参数量大数倍的开源模型（如 VoxCPM2）处于同一竞争力区间。考虑到其仅为 99M 参数，这一结果令人印象深刻。
注：带星号的语言使用 CER 评测，其余使用 WER 评测。
3.2 推理速度：CPU 也能比肩 GPU
这是 Supertonic 最让人惊讶的地方：
- 树莓派：实时合成，RTF（实时因子）< 1
- Onyx Boox Go 6 电子阅读器：飞行模式下平均 RTF 0.3×（即 1 秒音频只需 0.3 秒生成）
- 桌面 CPU：推理速度可与许多基线模型在 A100 GPU 上的表现相媲美
- 内存占用：远低于同级大参数模型
这意味着什么？不需要 GPU，不需要云服务器，一台普通笔记本甚至电子阅读器就能流畅运行高质量 TTS。
3.3 文本规范化：真正的杀手级能力
Supertonic 3 在复杂文本规范化上的表现堪称碾压级：
| 测试场景 | Supertonic | ElevenLabs | OpenAI TTS-1 | Gemini Flash TTS | Microsoft |
|---|---|---|---|---|---|
| 金融表达（$5.2M、$450K） | ✅ | ❌ | ❌ | ❌ | ❌ |
| 电话号码（(212) 555-0142 ext. 402） | ✅ | ❌ | ❌ | ❌ | ❌ |
| 技术单位（2.3h、30kph） | ✅ | ❌ | ❌ | ❌ | ❌ |
以上对比数据来源于 Supertonic 官方 README 中的测试用例，各系统的音频样本可通过 官方 Demo 获取。
Supertonic 能正确将 $5.2M 读作 “five point two million dollars”，将 30kph 读作 “thirty kilometers per hour”——无需任何预处理或音标标注。而包括 ElevenLabs、OpenAI、Google、Microsoft 在内的主流 TTS 系统在此测试中均出现错误。
这一能力在实际应用中极为关键：新闻朗读、财报播报、导航指引等场景充斥着大量缩写、数字、单位，传统 TTS 往往需要在前端做大量文本预处理，而 Supertonic 直接在模型内部解决。
3.4 从 v2 到 v3 的进化
与 Supertonic 2 相比，v3 版本带来了：
- 语言覆盖：从 5 种扩展到 31 种
- 重复/跳读失败：显著减少
- 说话人相似度：在共享语言集上有所提升
- 接口兼容：保留 v2 兼容的公共 ONNX 接口，现有集成可无缝迁移
四、31 种语言支持
Supertonic 3 支持以下 31 种语言：
| 语系 | 语言 |
|---|---|
| 日耳曼语族 | English, German, Dutch, Swedish, Danish |
| 罗曼语族 | French, Spanish, Italian, Portuguese, Romanian |
| 斯拉夫语族 | Russian, Bulgarian, Czech, Slovak, Polish, Croatian, Slovenian, Ukrainian |
| 波罗的海语族 | Latvian, Lithuanian |
| 乌拉尔语族 | Finnish, Estonian, Hungarian |
| 亚洲语系 | Korean, Japanese, Vietnamese, Indonesian |
| 南亚语系 | Hindi |
| 闪含语系 | Arabic |
| 突厥语族 | Turkish |
| 希腊语系 | Greek |
注：以上按语系列出共 33 个语言代码。官方文档称支持"31 种语言"，实际语言代码表中列出 33 个条目，可能对个别语种做了合并计算。
五、工程生态：从 Python 到 iOS 的全平台覆盖
Supertonic 3 的工程成熟度令人印象深刻，提供了 11 种语言/平台的官方示例：
| 平台 | 路径 | 特点 |
|---|---|---|
| Python | py/ |
最简上手路径，pip install supertonic 一行搞定 |
| Node.js | nodejs/ |
服务端 JS 推理 |
| Browser (Web) | web/ |
WebGPU/WASM，纯浏览器端推理 |
| Java | java/ |
跨平台 JVM |
| C++ | cpp/ |
高性能原生推理 |
| C# | csharp/ |
.NET 生态，支持 9.0+ |
| Go | go/ |
Go 实现 |
| Swift | swift/ |
macOS 原生 |
| iOS | ios/ |
原生 iOS 应用 |
| Rust | rust/ |
内存安全的系统级实现 |
| Flutter | flutter/ |
跨平台移动端 |
快速体验（Python）
pip install supertonic
from supertonic import TTS
# 首次运行自动从 Hugging Face 下载模型
tts = TTS(auto_download=True)
style = tts.get_voice_style(voice_name="M1")
text = "A gentle breeze moved through the open window while everyone listened to the story."
wav, duration = tts.synthesize(text, voice_style=style, lang="en")
tts.save_audio(wav, "output.wav")
print(f"Generated {duration:.2f}s of audio")
三行核心代码，零配置，即可生成一段自然语音。
运行环境要求
- Python：需安装
supertonic包（ONNX Runtime 推理） - Go：需安装 ONNX Runtime C 库（macOS:
brew install onnxruntime） - Java：需 JDK（非 JRE），推荐 JDK 17+
- C#：目标 .NET 9，支持主版本前滚
- Browser：通过 onnxruntime-web 实现客户端推理
六、生态应用：已落地的真实场景
Supertonic 已经被集成到多个实际产品中：
| 项目 | 描述 | 平台 |
|---|---|---|
| TLDRL | 免费端侧 TTS 浏览器扩展，一键朗读网页 | Chrome |
| Read Aloud | 开源 TTS 浏览器扩展 | Chrome · Edge · GitHub |
| PageEcho | iOS 电子书阅读器 App | App Store |
| VoiceChat | 浏览器端语音对话 LLM 聊天机器人 | Demo · GitHub |
| OmniAvatar | 照片 + 语音生成说话人视频 | Demo |
| CopiloTTS | Kotlin 多平台 TTS SDK | GitHub |
| Voice Mixer | PyQt5 语音风格混合修改工具 | GitHub |
| Supertonic MNN | 基于阿里 MNN 框架的轻量化版本（FP32/FP16/INT8） | GitHub · PyPI |
| Transformers.js | Hugging Face 的 JS 推理库，已官方支持 Supertonic | GitHub PR · Demo |
| Pinokio | 一键本地部署工具（Mac/Windows/Linux） | Pinokio · GitHub |
值得注意的是，Transformers.js 的官方支持意味着 Web 开发者可以通过 WebGPU 在浏览器中直接运行 Supertonic，无需任何后端服务。
七、2026 端侧 TTS 赛道格局
将 Supertonic 放到 2026 年 TTS 技术的大背景下审视：
竞品对比
| 维度 | Supertonic 3 | CosyVoice 2 | ChatTTS | F5-TTS | OpenAI TTS-1 |
|---|---|---|---|---|---|
| 参数量 | ~99M | ~500M | 未公开精确数值 | DiT 架构，参数量较大 | 未公开 |
| 端侧部署 | ✅ 原生 | ⚠️ 较勉强 | ⚠️ 勉强 | ❌ 需 GPU | ❌ |
| 开源协议 | MIT（代码）+ OpenRAIL-M（模型） | Apache 2.0 | AGPLv3+ / CC BY-NC 4.0 | CC BY-NC-SA 4.0 | ❌ 闭源 |
| 语言数 | 31 | 中英日韩等 | 中英 | 中英等多语言 | 多语言 |
| 文本规范化 | 强（内置） | 中 | 弱 | 中 | 中 |
| 零样本克隆 | ✅ | ✅ | ✅ | ✅ | ❌ |
| ONNX 官方支持 | ✅ | ❌ | ❌ | ❌ | N/A |
| 表达标签 | ✅ <laugh> <breath> <sigh> |
❌ | ✅ 细粒度韵律控制 | ❌ | ❌ |
注：竞品参数量信息来源于各项目官方仓库及 ModelScope 发布页面。ChatTTS 和 F5-TTS 的精确参数量未在其 README 中明确标注，上表不做猜测。
趋势判断
2026 年端侧 TTS 呈现几个明确趋势：
- 模型小型化：从数十亿参数 → 1 亿级别，部署门槛大幅降低
- ONNX 成为通用推理格式：跨平台部署的最优解
- WebGPU 加速：浏览器端 TTS 从玩具变为实用
- 文本规范化内置化：前端预处理逐步被模型内化
- 隐私优先：GDPR/个保法驱动下，端侧推理成为刚需
Supertonic 在这五个方向上全部走在前列。
八、局限性与注意事项
客观来看，Supertonic 也存在一些局限：
- 零样本语音克隆质量：与 CosyVoice 2 等大参数模型相比，在极少量参考音频下的克隆相似度仍有差距
- 情感表达丰富度：虽然支持
<laugh>等标签，但与 ChatTTS 等专注于对话场景的细粒度韵律控制相比仍有提升空间 - 中文表现：虽然支持中文，但社区反馈显示中文自然度和韵律感仍有优化空间
- 模型许可：代码 MIT 开源，但模型本身使用 OpenRAIL-M 许可，商用需注意合规条款
- V3 ONNX 资产：目前公开的 ONNX 资产为固定音色版本，自定义音色需通过 Voice Builder 生成
九、快速上手指南
方式一：pip 安装（推荐）
pip install supertonic
from supertonic import TTS
tts = TTS(auto_download=True)
style = tts.get_voice_style(voice_name="M1")
wav, duration = tts.synthesize("Hello, world!", voice_style=style, lang="en")
tts.save_audio(wav, "output.wav")
方式二：从源码构建
git clone https://github.com/supertone-inc/supertonic.git
cd supertonic
# 下载模型资产（需 Git LFS）
git lfs install
git clone https://huggingface.co/Supertone/supertonic-3 assets
# 运行 Python 示例
cd py
uv sync
uv run example_onnx.py
方式三：在线体验
直接访问 Hugging Face 上的 Interactive Demo，无需安装任何依赖。
十、总结
Supertonic 3 的核心价值不在于「又一个 TTS 模型」，而在于它重新定义了端侧 TTS 的性价比下限：
- 99M 参数，模型文件轻量
- CPU 推理可比肩大模型 GPU 表现
- 31 种语言，文本规范化能力领先
- 11 个平台官方支持，从浏览器到 iOS
- 树莓派、电子阅读器均可实时运行
如果你正在做以下场景的开发，Supertonic 值得重点关注：
- 隐私敏感的本地语音应用（医疗、金融、法律）
- 浏览器端 TTS（WebGPU/WASM）
- 嵌入式/IoT 设备语音交互
- 大规模文本朗读（有声书、新闻播报）
- 低延迟实时语音对话系统
参考资料
| 资源 | 链接 |
|---|---|
| GitHub 仓库 | https://github.com/supertone-inc/supertonic |
| 模型下载 | https://huggingface.co/Supertone/supertonic-3 |
| 在线 Demo | https://huggingface.co/spaces/Supertone/supertonic-3 |
| SupertonicTTS 论文 | https://arxiv.org/abs/2503.23108 |
| LARoPE 论文 | https://arxiv.org/abs/2509.11084 |
| Self-Purifying FM 论文 | https://arxiv.org/abs/2509.19091 |
| Python SDK 文档 | https://supertone-inc.github.io/supertonic-py |
| Voice Builder | https://supertonic.supertone.ai/voice_builder |
用WiFi信号“看穿墙壁“？RuView开源项目深度解析：$9的ESP32实现无摄像头人体感知
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
14
0- 0
已为社区贡献2条内容
所有评论(0)