一个99兆级别的TTS项目，居然把网页、电子书和树莓派都串起来了。

我一开始看 Supertonic 3，只以为它又是一个“开源TTS模型更新”。但看完 README 里的几个 demo，我觉得它更像是在回答另一个问题：TTS 到底能不能从云端服务，真正长进设备里？

这个问题挺关键。因为很多语音合成项目的 demo 很好听，但你真要把它放进浏览器插件、移动端应用、阅读器、树莓派这种设备里，立刻就会碰到模型太大、部署太重、延迟不稳、平台适配麻烦这些问题。

Supertonic 3 最打动我的地方，不只是“能发声”，而是它把几个现实问题一起往前推了一步：模型只有 99M 级别，走 ONNX Runtime，目标是本地实时合成，还给了非常多平台的示例。

它不是只做一个漂亮音色

很多人聊 TTS，会第一时间问：音色炸不炸？自然不自然？这个当然重要，但我觉得 Supertonic 3 的看点不止在音色。

它更像是把“能不能用起来”放到了很前面。

README 里有几个很直接的演示：树莓派上跑、电子书飞行模式下读内容、Chrome 扩展把网页内容读出来。这些演示的意义是，它不是只在一台强电脑上跑个样片，而是把 TTS 放进更接近真实产品的环境里。

你想一下，如果一个 TTS 引擎能在阅读器里离线读书，能在浏览器里直接读网页，能在树莓派这种小设备上跑起来，它解决的就不只是“生成一段音频”，而是隐私、低延迟、离线可用和端侧部署的问题。

99M 这件事，比看起来更重要

Supertonic 3 是一个 99M 参数级别的开源权重模型。这个数字在大模型语境里不算大，但放在端侧 TTS 里，反而是一个很有价值的信号。

因为端侧项目最怕的不是参数少，而是落地成本高。模型越大，冷启动越慢，内存压力越大，移动端、电纸书、树莓派这类设备越难受。Supertonic 3 选择把体积压下来，再配合 ONNX Runtime 和多平台示例，本质上是在降低开发者把它塞进应用里的门槛。

这也是为什么我会更关注它的 demo，而不是只看一段精修过的音频样例。端侧语音合成真正难的地方，是你能不能稳定地把它放进产品链路里。

平台覆盖很狠

Supertonic 3 给的接入示例非常多，包括 Python、Node.js、Browser、Java、C++、C#、Go、Swift、iOS、Rust、Flutter。

这对于开发者很实在。因为你做一个语音能力，最后往往不是只在一个 Python demo 里跑通就完事了。你可能要塞进网页，要做移动端，要嵌到桌面工具，要放进一个小硬件里。平台示例越齐，真正试错的成本就越低。

尤其是 Browser、iOS、Flutter、Rust 这些方向，说明它不是只服务后端实验环境，而是认真考虑了端侧应用和跨平台应用。

31种语言，但中文还没来

语言支持上，Supertonic 3 覆盖了 31 种语言，包括英语、日语、韩语、法语、德语、西班牙语、葡萄牙语、俄语、土耳其语、越南语等。

这里要把边界说清楚：它目前不支持中文。

这个缺点对中文用户来说确实有点遗憾。如果你现在要找一个中文端侧 TTS 主力方案，那 Supertonic 3 不是今天就能直接替你解决问题的项目。

但我仍然觉得它值得单独写，是因为它支持日语。

之前我一直很推 sherpa-onnx。这个项目在端侧语音生态里很强，ASR、TTS、KWS 等方向都很实用。但如果只看端侧 TTS，日语一直是一个明显缺口。Supertonic 3 这次把日语支持补上了，刚好补到了我之前觉得不太舒服的地方。

所以它的价值不是“替代 sherpa-onnx”，而是给端侧多语种 TTS 多了一块很重要的拼图。

它适合什么人

如果你做的是英文、日语、多语言阅读、浏览器插件、移动端应用、树莓派项目、离线朗读工具，Supertonic 3 很值得你去看一眼。

特别是那些不想把用户文本发到云端的场景，本地 TTS 的意义会更大。阅读器、浏览器插件、辅助阅读、离线内容消费，这些都不是炫技场景，而是真实会遇到网络、隐私和延迟限制的场景。

当然，如果你的核心需求是中文，那现在还需要等等。一个项目有明显短板，不影响它有明显亮点。真正值得关注的，是它把端侧 TTS 往“可用、可集成、可跨平台”这个方向推了一步。

我对 Supertonic 3 的判断就是这样：它不完美，但很有产品味。它不是又一个只会在 demo 页面里唱歌的 TTS，而是开始认真回答“声音能不能留在设备里”这个问题。

这件事，比单纯多一个模型，有意思得多。