supertone-inc/supertonic

解決する課題

Supertonicは、クラウドAPIを不要にし、レイテンシを低減させ、プライバシーを向上させる高性能なオンデバイス・テキスト読み上げ（TTS）システムです。大規模なTTSモデルに代わる軽量な選択肢を提供し、モバイルデバイス、ブラウザ、Raspberry Piなどのリソースが制限されたハードウェア上で、スタジオ品質の音声合成をローカルで実行できるようにします。

仕組み

ONNX RuntimeをベースとしたSupertonicは、99Mパラメータのコンパクトなオープンウェイトモデルを使用し、完全にデバイス上で推論を行います。31言語をサポートしており、入力言語が不明な場合は言語に依存しないモード（lang="na"）で動作可能です。システムは44.1kHz 16-bit WAVオーディオを出力し、複雑なプロンプトエンジニアリングを必要とせずに、音声に人間のようなニュアンスを加えるための表現タグ（例：<laugh>, <breath>）を備えています。

対象ユーザー

GPUやネットワーク接続に依存せず、高速でプライベートかつ高品質な音声合成を必要とする、ブラウザ拡張機能、電子書籍リーダー、エッジデバイスソフトウェアなどのローカルファーストなアプリケーションを構築する開発者。

ハイライト

• エッジ対応: デスクトップ、モバイル、ブラウザ（WebGPU/WASM経由）、Raspberry Pi上でローカルに動作。
• 多言語対応: 31言語をサポートし、オプションで言語に依存しない処理モードも利用可能。
• コンパクトなモデル: 99Mパラメータのフットプリントは、一般的な0.7B-2BクラスのTTSシステムよりも大幅に軽量。
• 幅広いSDKサポート: Python, Node.js, Java, C++, C#, Go, Swift, iOS, Rust, Flutter向けのすぐに使えるサンプルを提供。
• 自然なテキスト処理: 金融用語、電話番号、技術単位を正確に読み上げることに特化。
• 表現タグ: ため息や笑いなどの非言語音のための組み込みタグにより、リアリズムを向上。