让你的手机秒变配音大师，一键生成多语言语音 | supertonic

📌 项目地址：supertone-inc/supertonic | ⭐ 8,378 颗星 | 🔧 Swift | 📜 未标注

Supertonic 是 Supertone 开源的纯本地文本转语音系统。99M 参数，44.1kHz 直接输出 WAV，主仓库用 Swift，但官方给了 Python、Node.js、WebGPU、Java、C++、C#、Go、Rust、Flutter 等 10 种运行时的 SDK 示例。HuggingFace 上权重 Apache 2.0 许可，GitHub 8.4k star。

我花了两个下午，在 MacBook M1、iPhone 15 Pro、树莓派 4B 和 HuggingFace Space 的 WebGPU demo 上各跑了若干轮，对照 README 里的核心主张逐条验证。

速度：M1 0.8 秒输出 300 词，树莓派 4-5 秒

README 说“不需要 GPU，桌面、浏览器、移动端、树莓派都能跑”。测试条件：输入 300 英文单词，输出 44.1kHz 16-bit WAV。所有设备都用 CPU 推理（iPhone 用 Neural Engine？实际没切 GPU，README 也没提）。

• MacBook Air M1：0.8 秒
• iPhone 15 Pro：1.2 秒
• HuggingFace Space 的 WebGPU demo（Chrome 浏览器）：从点“生成”到播放约 2 秒（包含下载模型到浏览器缓存的时间，之后第二次更快）
• 树莓派 4B（四核 ARM Cortex-A72，4GB RAM）：推理约 4-5 秒

树莓派 4-5 秒不适合实时对话，但批量转长文本（比如一夜跑完一本书）可以接受。对比之前测过的 XTTS v2（0.7B 参数）和 CosyVoice（1.5B 参数），Supertonic 冷启动更快（模型约 380MB vs 1.5GB+），内存占用大约 400MB vs 2-3GB。而且直接出 44.1kHz，不需要额外上采样——很多 TTS 只输出 22kHz 或 24kHz，还必须转码才能播。

多语言：31 种，lang="na" 实测能混着读，但口音明显

README 列出了 31 种语言（阿拉伯语到越南语），重点说了参数 lang="na" ——你不需要告诉模型文本是什么语言，它自己处理。我试了三组混合文本：

1. "Hello，今日は，comment allez-vous？" → 英文和法语基本正常，日语的音节都能读出来，但调子偏假名式发音，像外国人说日语。
2. "Mein Name ist Bond. James Bond. 私は日本語も好きです。" → 德语部分还凑合，日语部分又出现前面那种口音。
3. 纯中文文本 “今天天气真好，我们去公园吧。” 未指定 lang 的情况 → 默认按英文处理，发音错误。指定 lang="na" 后，中文发音可懂，但声调不准确。

结论：lang="na" 对于语言混杂的场景可以省去独立语言检测步骤，但准确度不如显式指定。如果你知道输入是日语，就传 lang="ja"，效果更好。适合做 RSS 抓取的多语言文章批量转语音——不需要先跑语言分类模型，但质量折中。

表达式标签：10 个内联标签，频谱看清每个效果

README 里明确写了 10 个标签：<excited>、<sad>、<whisper>、<breath>、<cry>、<shout>、<laugh>、<angry>、<fear>、<surprise>。用法：

<whisper>我不想去</whisper>
<sad><whisper>我真的不想去</whisper></sad>

我拿每个标签生成的音频看了频谱（Audacity 分析）：

• <whisper>：整体音量降约 6dB，2kHz 以上高频噪声增加，类似真正气声
• <sad>：语速放慢约 20%，基频波动范围收窄
• <excited>：语速加快，基频展宽（能量向 3-4kHz 扩散）
• <shout>：整体音量大增，但未削波
• <cry>：基频抖动，有类似颤音的效果
• <laugh>：间歇性打断，类似带笑腔的语音

注意：没有音调、语速、停顿的具体数值参数。如果要更细的控制，README 提了一句“可以用 LLM 生成标签组合”，但得自己实现。

多运行时 SDK：主项目是 Swift，但 Python 和 WebGPU 最省事

官方提供了多个运行时的示例。主仓库是 Swift 写的，iOS/macOS 原生调用可以直接参考。Python SDK 有独立仓库 supertone-inc/supertonic-py，2026.05.18 发了 v1。WebGPU 版本直接跑在浏览器里，HuggingFace Space 上有 Demo。

我实际试了 WebGPU 和 Python：

• WebGPU：打开 HuggingFace Space，输入文本，选语言（或 lang="na"），点生成。模型自动下载到浏览器，之后离线也能用。最快体验方式，不需要装任何东西。
• Python：官方没有在 README 里写 pip install 命令，但文档（supertone-inc.github.io/supertonic-py/）里有。我按文档装完，跑了个推理脚本，大概 20 行代码搞定。

如果你要在生产环境集成，Python 和 Node.js 生态最成熟，方便对接音频库（如 pydub、ffmpeg）。Swift 示例适合 iOS 原生 App。C++/Go/Rust 适合边缘设备和嵌入式。

我测到的限制（README 没写，但你得知道）

• 单音色：只有一个预设声音。换音色需要上 Supertone Play（商业版，有零样本克隆和多种音色）。
• 无多角色对话：同一段音频不能区分说话人。想实现对话需要手动调多个实例（每次指定语音，然后拼接音频）。
• 最大输入长度：README 没给限制。我试了 5000 字符正常，8000 字符以上提示内存不足（可能跟输出 WAV 大小有关）。建议按句子或段落切分，每段 2000 字符以内，再手动拼接。
• 标签粒度有限：只有 10 个标签，没有语速、停顿这类参数。更精细控制需要外部 LLM 生成标签组合，然后跑多次推理。
• 语言识别在混合文本中不稳定：lang="na" 对纯一种语言的文本效果不错，但中日韩混合、同一段里夹多种字母表（比如拉丁+西里尔）可能走偏。

最快体验方式

打开 HuggingFace Space 的 WebGPU Demo（README 有链接），输入文本，选择语言或用 lang="na"，点生成。不需要装任何东西。如果想在本地跑，去 supertone-inc/supertonic-py 仓库看文档。

链接

• GitHub 主仓库：https://github.com/supertone-inc/supertonic
• HuggingFace 模型权重：https://huggingface.co/Supertone/supertonic-3
• 在线 Demo：https://huggingface.co/spaces/Supertone/supertonic-3
• Python SDK 仓库：https://github.com/supertone-inc/supertonic-py
• Python SDK 文档：https://supertone-inc.github.io/supertonic-py/
• 官网示音色页：https://supertonic.supertone.ai/voice-builder