Supertonic 拆解：99M 参数的端侧 TTS 引擎，停在了 2026 年 7 月

Supertonic 用一条激进的体积路线回答端侧 TTS 问题：把模型压到约 99M 参数，全部导出 ONNX，不要求 GPU，在树莓派和电子阅读器上实时出声。这条路走通了——2026 年 4 月发布的 Supertonic 3 支持 31 种语言、44.1kHz 16-bit WAV 输出、10 个行内表达标签，朗读准确率在与更大模型的对比中不掉队。

但今天评估它，先要面对一个更急迫的事实：2026-07-23 Supertone 官方宣布仓库归档，停止全部开发与支持；Voice Builder 音色定制服务于 2026-08-31 关闭。 仓库已迁移到 supertone-oss-archive 组织并标记 archived，issues 和 PR 不再受理，不会再有 bug 修复和安全补丁。所以本文要回答的问题不是「要不要用」，而是「拿它当什么」：一份还能跑、但不会再修的遗产代码，还是一次值得读的端侧语音工程样本。

事实边界：本文核对的是归档仓库 supertone-oss-archive/supertonic 的 main 分支 README、GitHub API（应用程序接口）在 2026-09-29 的读数、supertonic-py 仓库 main 分支文档，以及 PyPI 上 supertonic 1.3.1（2026-05-18 上传，仍是最新版）wheel 的解包源码。Hugging Face 模型文件清单来自 HF API 的实际读取。Voice Builder 站点状态是 2026-09-29 的实测结果。文中所有性能数字除注明外均出自仓库 README 或 HF 模型卡，属官方自述口径。

目录

• 项目坐标
• 三代模型：从单语英语到 31 种语言
• 合成管线：四个 ONNX 文件
• 31 种语言里没有中文
• 朗读准确率：这组数字能说明什么
• 一次合成如何流过系统
• SDK 与 CLI：1.3.1 的真实接口
• 本地 HTTP 服务：supertonic serve
• 多运行时与生态
• 归档时间线与残余可用性
• 适用边界与采用建议
• FAQ
• 维护指引
• 参考来源

项目坐标（2026-09-29 核对）

仓库在 GitHub 上标为主语言 Swift，那是因为 iOS 和 Swift 示例代码体量最大；模型本体是一组 ONNX 文件，Python SDK 独立在 supertonic-py 仓库。这也是理解这个项目结构的关键：主仓库是「模型 + 十一种运行时的示例集合」，SDK 是另一个包。

三代模型：从单语英语到 31 种语言

从 2025 年 11 月到 2026 年 4 月，五个月里发了三代，每代的能力边界差得很远，讨论「Supertonic 支持什么」时必须先说清是哪一代：

三代全部归档，权重都留在 HF 的 supertone-oss-archive 命名空间下。10 个内置音色是 F1–F5 和 M1–M5 十个 JSON 文件（2025-12-10 从 4 个扩到 10 个），没有训练环节，合成时选一个用。

合成管线：四个 ONNX 文件

Supertonic 3 的公开权重是四个 ONNX 文件，外加推理配置和 Unicode 词表两份 JSON，实测体积如下：

近三分之二的权重体积压在 vector_estimator 上，质量参数 total_steps（5 到 12，默认 8）花的也是它——迭代步数直接决定这段跑多久。文本侧的归一化在 Python 层做，1.3.1 的 UnicodeProcessor 源码里能看到完整步骤：去 emoji、符号替换、缩写展开、标点清理、补句号、注入语言 token。

架构依据是四篇论文，都挂在仓库 Citation 节：SupertonicTTS 主架构（arXiv:2503.23108，语音自编码器加基于 flow matching 的文本到隐空间模块）、LARoPE 文本-语音对齐（arXiv:2509.11084）、Self-Purifying Flow Matching 噪声标签训练（arXiv:2509.19091）、RobustSpeechFlow（arXiv:2605.22083）。官方没有逐一标注四个 ONNX 文件与论文模块的对应关系，上图的模块名就是文件名。

「端侧能跑」有一组可对照的官方演示：树莓派实机合成视频、Onyx Boox Go 6 电子阅读器飞行模式下平均 RTF 0.3×、Chrome 扩展把整页网页转成音频用时不到一秒。这些出自 README 自述和演示视频，不是第三方复测。RTF 0.3× 的含义是合成一秒音频约需 0.3 秒计算，即便数字有水分，在阅读器这类低压设备上实时性也有余量。

31 种语言里没有中文

这是中文读者最需要的一条。官方清单是 31 个 ISO 代码：阿拉伯语、保加利亚语、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、芬兰语、法语、德语、希腊语、印地语、匈牙利语、印尼语、意大利语、日语、韩语、拉脱维亚语、立陶宛语、波兰语、葡萄牙语、罗马尼亚语、俄语、斯洛伐克语、斯洛文尼亚语、西班牙语、瑞典语、土耳其语、乌克兰语、越南语。没有中文（zh）。

不知道输入是什么语言时可以传 lang="na"，模型按语言无关方式处理——这是给「混合语言或拿不准语言」准备的回退，不是中文支持：官方没有声称 na 模式下的中文效果，31 语言基准里也没有中文读数。把中文文本丢给 na 能出声，但读得对不对、自然不自然，没有任何官方材料背书，用前自己测。

表达标签同理别高估：README 称支持 10 个行内标签，文档点名了其中三个——<laugh>、<breath>、<sigh>，直接写进文本即可，不需要参考音频。完整清单没有随归档文档留下，写代码时按「确定存在的只有这三个」处理。

朗读准确率：这组数字能说明什么

README 给的基准是在 Minimax-MLS-test 上与 VoxCPM2、OmniVoice、Qwen3-TTS 等对比的逐语言 WER（词错误率，日韩等字符语言用 CER，字符错误率）。挑几行有代表性的：

三个问题先于数字：

1. 测的是什么：朗读准确率——把文本读对的能力，包括数字、缩写、货币符号这类文本归一化难题。不测音质、韵律和音色相似度。
2. 数字反映系统的哪部分：文本前处理和发音路径的稳健性。README 对 Supertonic 3 相对 v2 的官方结论也是这一类——重复/跳读失败更少，共享语言集上说话人相似度更高。
3. 不能推出什么：推不出「全面优于 VoxCPM2」。西班牙语它输给 Qwen3-TTS，日语和越南语明显落后（越南语 4.49 对 OmniVoice 的 0.79）。对比对象是各自当时的版本，非中文语言的成绩也推不到中文。

这个基准反而佐证了定位：Supertonic 3 的朗读准确率在英语等强项语言上能和 0.7B–2B 级模型掰手腕，代价是没有情感控制和音色克隆管线——开源仓库明确说 fixed-voice，不包含官方声音克隆路径。

一次合成如何流过系统

把「一条 curl 请求变成 WAV」作为任务流案例，它能同时串起管线和 API 两层：

1. 一个只懂 OpenAI SDK 的客户端把 base URL 指到本地，发出 POST /v1/audio/speech，请求体里 model 必填、input 必填、voice 不填。
2. serve 进程按 Pydantic schema 校验：voice 缺省补 M1，speed 限制在 0.7 到 2.0，response_format 只认 wav/flac/ogg。这个别名端点随后归一到原生端点 /v1/tts。
3. 引擎加载的是启动时指定的模型（默认 supertonic-3）。文本先进 UnicodeProcessor 归一化，若超长会按 max_chunk_length（默认上限 300 字符，韩语自动 120）切块。
4. 每个块按上文管线走一遍：编码、预测时长、vector_estimator 迭代 8 步（steps 参数）、vocoder 出 44.1kHz 采样，块间插 silence_duration（默认 0.3 秒）静音。
5. 音频通过 soundfile 打包进响应体返回，不是落盘路径。出错时返回 OpenAI 形状的错误信封（code: unsupported_response_format 这类），所以 OpenAI SDK 的报错处理直接可用。

这条链路的每一步都来自 1.3.1 wheel 源码与官方 serve 文档，不是推测。它的价值在于划清两件事的边界：文本归一化在 Python 层、可读可改；声学推理在 ONNX 层、黑盒但快。想改发音习惯改前者，想提速度调 steps 和 speed。

SDK 与 CLI：1.3.1 的真实接口

网上流传的 Supertonic Python 示例有一部分调用的方法在包里并不存在，这里以 1.3.1 wheel 解包后的真实签名为准。TTS 类只有两个公开调用方法：synthesize 和 save_audio，没有 .tts()、没有 .save()、也没有任何流式方法：

from supertonic import TTS

tts = TTS()                          # 默认模型 supertonic-3
style = tts.get_voice_style("M1")    # 内置音色：M1–M5、F1–F5

wav, duration = tts.synthesize(
    "Good morning, thank you for calling.",
    voice_style=style,               # 必传，Style 对象
    lang="en",                       # 31 个 ISO 代码之一；不传则走 na 回退
)
tts.save_audio(wav, "output.wav")    # 44.1kHz 16-bit WAV

synthesize 的完整参数是 total_steps（默认 8，质量档）、speed（默认 1.05，范围 0.7–2.0）、max_chunk_length（默认 None）、silence_duration（默认 0.3 秒）、verbose。首次运行会把约 400MB 模型下载到 ~/.cache/supertonic3/——参数量 99M 是 fp32 的 ONNX 文件，onnx/ 目录实测约 380MB，宣传数字和磁盘占用是两回事。

自定义音色走 get_voice_style_from_path()，加载一份音色 JSON（Voice Builder 的导出格式，或内置音色文件）。依赖只有四个：onnxruntime、numpy、soundfile、huggingface-hub。

CLI 有八个子命令（tts、say、synth、voices、info、download、version、serve），最常用的是：

pip install supertonic
supertonic tts 'Meeting starts in five minutes.' -o output.wav --voice F1 --steps 10 --lang en

say 命令本地播放，需要额外装 supertonic[playback]。

本地 HTTP 服务：supertonic serve

1.3.1 内置本地 HTTP 服务，给 n8n、浏览器扩展、Home Assistant 这类已经会说 OpenAI Audio Speech API 的调用方当本地后端：

pip install 'supertonic[serve]'      # serve 是可选依赖：fastapi + uvicorn
supertonic serve                     # 默认绑定 127.0.0.1:7788

默认回环地址，绑到其他接口会在 stderr 打一行警告——暴露到外网要自己在反向代理层加认证。六个端点：

/v1/tts 请求体字段：text（必填）、voice（默认 M1）、lang、speed、steps、max_chunk_length、silence_duration、response_format。注意请求体里没有输出路径字段，音频直接在响应体里，用 curl -o 接：

curl -X POST http://127.0.0.1:7788/v1/audio/speech \
  -H 'content-type: application/json' \
  -d '{"model":"supertonic-3","input":"Hello from my local server.","voice":"M1","response_format":"wav"}' \
  -o output.wav

输出格式只有 wav（默认）、flac、ogg 三种，mp3、aac、opus 被有意排除——文档给出的理由是 libsndfile 的 OPUS 编码器只支持 8/12/16/24/48kHz，与模型的 44.1kHz 对不上，而 mp3/aac 会引入额外编码器依赖。要这些格式得在客户端外转。运行中的服务在 /docs 有交互式 OpenAPI 文档。

多运行时与生态

主仓库为十一个运行时各留了一个示例目录：Python、Node.js、Browser（WebGPU/WASM）、Java、C++、C#、Go、Swift、iOS、Rust、Flutter。目录里是可运行的示例，不是发布到各包管理器的官方 SDK——除 PyPI 上的 supertonic 外，其他生态要用，基本是把示例代码拷进项目。

几个非显然的运行前提，出自归档 README：Go 示例要装 ONNX Runtime C 库（macOS 上 brew install onnxruntime）；Java 要 JDK 而非 JRE（示例按 openjdk@17 验证）；C# 目标 .NET 9；iOS 示例用 xcodegen 生成工程。

生态页列了一批基于它构建的东西，能看出端侧 TTS 的几类典型用法：浏览器扩展（TLDRL、Read Aloud）、iOS 电子书朗读（PageEcho）、浏览器内语音对话（VoiceChat）、照片+语音生成说话头像（OmniAvatar）、给 Cursor 和 Claude Code 做本地回复语音的 Aftertone，以及社区维护的推理后端移植 supertonic-mnn（fp32/fp16/int8）。Transformers.js 对它的支持走的还是社区 PR。

归档时间线与残余可用性

归档不等于内容消失，但它改变了每一类依赖的性质：

• 权重还在，且锁了版本。归档 README 给出的下载命令把 HF revision 钉死在 aafc6e3，意思是给你一个不会再变的快照，适合复现，不适合期待改进。
• pip 自动下载暂时还能用，但口径已经变了。1.3.1 的 wheel 里钉的是旧 Supertone HF 命名空间，2026-09-29 实测仍返回 200；归档文档明说旧版包「may still use the original namespace」，并建议改走手动下载加 model_dir、auto_download=False 的路径。依赖自动下载的构建流程随时可能断，别把它当稳定依赖。
• Voice Builder 服务的残值只剩本地半截。服务已关，但曾经导出的音色 JSON 依然有效——get_voice_style_from_path() 和 /v1/styles/import 都能加载。托管的替代路径是 Supertone Play 与 Supertone API（README 口径；本文核查时 play.supertone.ai 连接超时，可达性请自行验证）。
• 社区支持归零。131 个未关闭的 issue 和 PR 停在那里，Discord 邀请链接虽然还通着，官方已不再承担支持义务。

适用边界与采用建议

先说它仍然成立的场景：

• 固定音色的端侧朗读：电子书、网页朗读、设备播报。10 个内置音色、无网络、无 GPU、44.1kHz 直出，这条路上它依然是完成度很高的开源样本。
• 嵌入式与浏览器实验：树莓派和 WebGPU 两条路都有现成示例，MNN 移植覆盖量化推理。
• 本地批处理：serve 的 64 条批量端点加整段合成，适合离线把文稿转音频。

再说不成立的：

• 中文产品。31 语言无中文，na 回退无背书，这条直接否掉。
• 实时对话式语音。没有流式接口，长句只能等整段合成完；对话场景要的是首包延迟，它给不了。
• 需要长期支持的生产依赖。无安全补丁、无 bug 修复，出了问题只能自己读源码。
• 精细情感与音色克隆。表达标签只有三类被文档确认，克隆管线不开源，云服务还关了。

落到决策上：

• 今天要选型语音合成：把 Supertonic 当能力基准而不是候选——用它的 WER 表和 RTF 数字校准预期，候选池里找维护中的项目。选它进生产的前提是你接受「从此自己维护」。
• 已经在用且跑得稳：把 HF revision 和模型文件一起锁进你的制品库，断开对自动下载的依赖，按归档软件对待——能用很多年，但每个升级和补丁都是你的事。
• 做端侧语音研究或教学：这是难得的完整样本——四篇论文、四个可查体积的 ONNX 模块、十一种运行时的对照实现，拿来讲「99M 参数怎么塞进端侧」比多数教学项目扎实。
• 想要自定义音色：开源路径已不存在。 Voice Builder 的存量 JSON 还能用；新需求只能看 Supertone 的托管服务，那是商业产品，不在开源仓库的承诺范围内。

FAQ

Q1：Supertonic 支持中文吗？

不支持。31 种语言的官方清单里没有中文，基准里也没有中文读数。lang="na" 回退模式会做语言无关处理，但官方没有对中文效果做任何声明，中文文本只能自行实测。

Q2：有流式合成接口吗？

没有。1.3.1 wheel 全包搜不到任何 stream API，synthesize 是整段进整段出，serve 也只返回完整音频。对话式低延迟场景不适用。

Q3：能商用吗？

要分两层看。示例代码是 MIT；模型权重是 OpenRAIL-M，一种带使用限制的开源模型许可，商用前需要读 HF 仓库里的 LICENSE 文件确认你的用途不在限制清单里。归档不收回许可，但也不会再更新条款解释。

Q4：模型到底多大？

参数量约 99M（对 0.7B–2B 级开源 TTS 而言很小）；磁盘上 onnx/ 目录实测约 380MB（fp32），Python 文档的下载口径约 400MB（含配置与音色文件），缓存在 ~/.cache/supertonic3/。

Q5：现在还能 pip install supertonic 吗？

能。1.3.1 仍在 PyPI（2026-09-29 核对），首次运行的自动下载走的旧 HF 命名空间实测也还通。但官方建议归档后改用手动下载权重加 model_dir、auto_download=False，避免命名空间再次变动时构建中断。

Q6：Voice Builder 关了，自定义音色还有办法吗？

本地训练音色的开源路径本来就不存在（仓库是 fixed-voice）。已有的 Voice Builder 导出 JSON 可通过 get_voice_style_from_path() 或 /v1/styles/import 继续使用；新的音色定制只能走 Supertone 的托管产品（Play/API），那属于商业服务。

维护指引

本文的关键断言、核实入口与失效条件：

本文环境注记：作者在 macOS 上核对源码与 API 读数，未实跑合成与 serve 服务；代码示例均照录 1.3.1 源码签名与官方文档，未经实机验证的部分已注明。

参考来源

• 归档仓库：https://github.com/supertone-oss-archive/supertonic（原 supertone-inc/supertonic）
• Python 包文档（仓库内）：https://github.com/supertone-oss-archive/supertonic-py/blob/main/docs/index.md
• serve 文档：https://github.com/supertone-oss-archive/supertonic-py/blob/main/docs/cli/serve.md
• PyPI：https://pypi.org/project/supertonic/
• 模型权重（Supertonic 3）：https://huggingface.co/supertone-oss-archive/supertonic-3
• 官方试听展示：https://supertonic3.github.io/
• SupertonicTTS 论文：https://arxiv.org/abs/2503.23108
• 原命名空间 https://supertone.github.io/supertonic/ 已失效（404，2026-09-29 实测），旧文提到的 Supertone/supertonic-3 HF 地址目前经重定向仍可访问，但请以 supertone-oss-archive 为准。