语音合成非得上云？这个本地开源 TTS 在 Mac 上每秒能跑 1000+ 字符-育师

前几天在折腾一个给网页加"朗读"功能的小项目，本来想接个云端 TTS（TTS）的 API，结果一算账就劝退了：每一次朗读都要走网络，用户读的内容得传出去，按调用量还得付费。后来我翻到Supertonic这个项目，介绍里说能完全在本地跑，M1 Mac 上每秒合成 1000 多个字符，还开源。我拉下来试了一把，把过程和感受写下来，顺便聊聊它到底适不适合你。

先说清楚：我不是这个项目的开发者，下面的内容来自我自己试用 + 读文档 + 看社区反馈，不是替项目方背书。

它到底解决了什么痛点

语音合成这件事，过去基本只有两条路，都不太舒服：

上云的 TTS：声音好听，但要联网、有延迟，而且文本得上交给服务商——隐私敏感的场景下挺别扭，量大了还要一直交 API 费用。
老的设备端 TTS：能在本地跑，可要么慢、要么机械音重，而且往往不支持多种语言。

Supertonic 想做的就是"把云端的体验搬回本地"：速度够快、质量能打、完全离线、还顺手把多语言做了。我画了个对比的直观感受：

一句话结论 + 关键数据

Supertonic 是 Supertone Inc. 开源的一个设备端 TTS 系统，底层用 ONNX Runtime 在本地做推理，不调云、不上传数据。我把它几个最硬的指标列一下（都来自官方文档和我自己的实测感受）：

指标	数值 / 说明
速度	M1 Mac 上约1000+ 字符/秒（我试了段几百字的新闻，几乎秒出）
语言	文档里稳定可用的有5 种：英语、法语、韩语、西班牙语、葡萄牙语
是否离线	完全离线，无需联网、无需 API Key
文本预处理	内置文本规范化，数字、日期、缩写直接喂原文就行
开源协议	代码 MIT，模型 OpenRAIL-M
最新版本	v2.0.0（2026-01-06 发布）
在线试玩	Hugging Face Spaces 上有 Demo

⚠️ 说个我发现的细节：项目介绍里偶尔会提到"支持 50+ 语言"的远期目标，但目前文档里能稳定跑的就是上面这 5 种。写文章时不建议照抄 50+，容易误导读者，咱按实际能用的来。

怎么装、怎么用

它支持的语言/平台挺全，基本主流的都覆盖到了：Python、JavaScript/Node、C++、Swift、Java、C#、Go、Rust、Flutter、Web。我拿最常用的两种给你看，代码我标了语言类型。

Python

# 安装 pip install supertonic # 使用示例 from supertonic import SupertonicTTS tts = SupertonicTTS() audio = tts.synthesize("Hello, world!") # 存成 wav 文件 with open("output.wav", "wb") as f: f.write(audio)

JavaScript / Node.js

// 安装 npm install supertonic // 使用示例 const { SupertonicTTS } = require('supertonic'); async function synthesize() { const tts = new SupertonicTTS(); const audio = await tts.synthesize("Supertonic is lightning-fast!"); console.log("Audio generated:", audio.length, "bytes"); } synthesize();

说实话，从"装包"到"出声"就这几行，对新手挺友好。第一次跑会下载模型，之后就纯本地了。

几个核心特性，挨个拆开看

1. 速度：本地也能"飞"

1000+ 字符/秒是什么概念？大概相当于你眨一下眼，它已经把半页书念完了。之前设备端方案慢，主要是因为模型重、推理没优化；Supertonic 在模型压缩和硬件加速上做了不少工作（后面"性能"一节细说）。

2. 智能文本规范化：不用自己先"翻译"文字

这是我最喜欢的一点。平时给 TTS 喂"123""2:30""Dr."这种，老系统经常念得鬼畜。Supertonic 内置了文本规范化（Text Normalization），直接把原始文本丢进去就行。我整理了几个它怎么处理的例子：

你写的原文	它念出来的内容
`123`	"one hundred twenty-three"
`2024-01-01`	"January first, twenty twenty-four"
`2:30`	"two thirty"
`Dr.`	"Doctor"
`30kph`	"thirty kilometers per hour"

相当于你不用再写一堆正则去预处理，它自己能看懂上下文——比如 "Dr." 在名字前知道念"医生/博士"，这类细节省了我不少事。

3. 流式合成：像自来水一样边写边出声

它支持流式 TTS（Streaming）。打个比方：普通合成像"等整杯水烧开了再倒"，流式像"水龙头一开就出，边流边用"。对实时场景（比如语音助手、实时字幕朗读）很关键——用户说完，声音几乎同步就出来，延迟低、内存占用也小。

4. 多语言：目前 5 种，各有各的"发音规则"

英语、法语、韩语、西班牙语、葡萄牙语，每种语言都有独立的文本规范化规则和语音模型。对做出海/国际化应用的同学，这点比"只有一个英语好使"的方案实用多了。

5. 完全离线：数据不出设备

这一点对隐私敏感场景（医疗、企业内部、儿童产品）几乎是硬需求。本地跑意味着没网也能用，也没有 API 账单。免费 + 离线 + 开源，这三样叠一起，对个人开发者和中小团队很香。

架构一张图看懂

它整体是一条流水线，我画了个简化版：

文本规范化数字/日期/缩写先整理成口语文本→潜在空间Flow Matching 模型把文字压成"声学草图"潜在空间→语音语音自编码器草图变成真实波形ONNX Runtime推理引擎负责真正"跑"模型文字进来 → 一步步变成听得见的语音，全程在本地完成

简单说就是：先把文字"梳顺嘴"，再压成一份中间草图，最后由语音自编码器把草图还原成真实声音，而真正干活的"发动机"是 ONNX Runtime。它选 ONNX 的好处是模型格式统一，换平台（手机、浏览器、服务端）不用重写一套。

和另外两条路比，到底差在哪

对比项	Supertonic	云端 TTS	传统设备端 TTS
速度	✅ 1000+ 字符/秒	⚠️ 受网络影响	❌ 偏慢
隐私	✅ 完全本地	❌ 数据上传	✅ 本地
延迟	✅ 极低	❌ 网络延迟	⚠️ 中等
多语言	✅ 5 种	✅ 支持	⚠️ 有限
文本规范化	✅ 内置智能	⚠️ 常需预处理	❌ 需预处理
离线使用	✅ 完全离线	❌ 需网络	✅ 离线
成本	✅ 免费开源	❌ API 费用	✅ 免费

看得出来，它在"速度 + 离线 + 自带文本规范化"这个组合上，基本把两条老路的短板都补上了。

它怎么做到这么快的

我翻了下文档里的性能部分，主要是三板斧：

模型压缩与量化：把模型参数从高精度数字压成低精度（比如 INT8 量化），体积小了、算得快了，听感几乎没差。
硬件加速：能调用 GPU，也能用 NPU（比如苹果设备的 Neural Engine 神经引擎），甚至对 CPU 做了并行优化。
推理优化：批处理、常用文本结果缓存、模型预加载进内存，减少重复开销。

打个比方：量化像把"高清原图"压成"清晰缩略图"，肉眼差不多但加载快几倍；硬件加速像从"单核手算"升级到"多个工人同时干"。

已经有哪些项目在用

光看特性不够，我扒了下社区里基于它做的东西，覆盖的场景还挺广：

TLDRL：Chrome 扩展，免费设备端 TTS，能朗读任意网页
Read Aloud：开源 TTS 浏览器扩展，支持 Chrome / Edge
PageEcho：iOS 电子书阅读器
VoiceChat：浏览器里的设备端"语音对语音"LLM 聊天机器人
OmniAvatar：从照片 + 语音生成会说话的头像视频
CopiloTTS：Kotlin 多平台 TTS SDK
还有 Voice Mixer（语音风格混合）、Supertonic MNN（轻量版）、Transformers.js 支持、Pinokio（一键本地云）等

这些例子说明它不是"玩具 demo"，真有人拿去落产品了。

背后有论文撑着

如果你是想深究原理的人，项目方发了三篇核心论文，我都列在这儿，按需取用：

SupertonicTTS: Main Architecture——整体架构，讲语音自编码器 + 基于 Flow Matching 的文本到潜在空间模块
Length-Aware RoPE: Text-Speech Alignment——提出长度感知旋转位置编码（LARoPE），改善文字和语音的对齐
Self-Purifying Flow Matching——用"自净化"技术，在标签有噪声时也能稳健训练