supertone-inc/supertonic

解決的問題

Supertonic 是一個高性能的裝置端文本轉語音 (TTS) 系統，它消除了對雲端 API 的需求，降低了延遲並提高了隱私性。它為龐大的 TTS 模型提供了一種輕量級的替代方案，允許在行動裝置、瀏覽器和 Raspberry Pi 等資源受限的硬體上本地執行錄音室級別的音訊合成。

工作原理

Supertonic 由 ONNX Runtime 提供支持，使用緊湊的 99M 參數開源權重模型在裝置上完全執行推理。它支援 31 種語言，並在輸入語言未知時可以以語言無關模式 (lang="na") 運行。該系統輸出 44.1kHz 16-bit WAV 音訊，並包含一組表情標籤（例如 <laugh>, <breath>），無需複雜的提示工程即可為語音添加類人細微差別。

適用對象

構建「本地優先」應用程式的開發者，例如瀏覽器擴充功能、電子書閱讀器和邊緣裝置軟體，這些應用需要快速、私密且高品質的語音合成，而無需依賴 GPU 或網路連接。

亮點

• 邊緣端就緒：可在桌面、行動裝置、瀏覽器（透過 WebGPU/WASM）和 Raspberry Pi 上本地執行。
• 多語言支援：支援 31 種語言，並具有可選的語言無關處理模式。
• 緊湊型模型：99M 參數占用空間顯著小於典型的 0.7B-2B 級 TTS 系統。
• 廣泛的 SDK 支援：為 Python, Node.js, Java, C++, C#, Go, Swift, iOS, Rust 和 Flutter 提供即插即用的範例。
• 自然的文本處理：專門用於準確讀取金融術語、電話號碼和技術單位。
• 表情標籤：內建用於嘆息和笑聲等非語言聲音的標籤，以增強真實感。