{"kind":"compare","slug":"text-to-speech","path":"/text-to-speech","title":"离线语音合成：在 CPU 上本地文字转语音 | SuperClonica","description":"在自己电脑的 CPU 上离线文字转语音：Supertonic 3 音色只是一个 JSON 文件，SuperClonica 引擎速度更快，也能用自己的录音训练声音克隆。","h1":"在自己电脑上运行的语音合成","intro":"SuperClonica 是 Supertonic 3 的音色市场，同时提供 SuperClonica 引擎。Supertonic 3 是一款能在普通 CPU 上运行的开源语音合成模型，SuperClonica 引擎用同样的音色文件跑得更快。一个音色就是一个 JSON 文件：下载一次，文字转语音就在您自己的电脑上完成，文本不会发到任何服务器，断网也照样能用。\n\n需要先说明一点：Supertonic 3 目前支持 31 种语言，但还不支持中文。它适合为英语、日语、韩语、西班牙语等语言生成语音，比如面向海外的游戏、应用和视频。如果您主要需要中文语音，本文后面也会介绍更合适的模型。","sections":[{"heading":"Supertonic 3 本地语音合成是怎么工作的","paragraphs":["Supertonic 3 是 Supertone 发布的开放权重模型，约 9900 万参数，通过 ONNX Runtime 运行，官方说明不需要 GPU。它支持 31 种语言，包括英语、日语、韩语、西班牙语、法语、德语、俄语、阿拉伯语、印地语和越南语，目前不含中文。","音色文件里只保存声音特征。要生成音频，还需要一个引擎（Supertonic 3 官方客户端或 SuperClonica）和约 400 MB 的基础模型。安装和下载时需要联网，之后的语音合成全部在本地完成。"],"points":["电脑：Windows、macOS、Linux，用 CPU 运行。","浏览器：通过 ONNX Runtime Web 集成到网页应用。","移动端：集成到兼容的移动应用。","您的产品：游戏、机器人、部署在自己服务器上的服务。"]},{"heading":"CPU 上的文字转语音有多快","paragraphs":["Supertone 公布的数据是：在 16 线程 CPU 上，Supertonic 3 的实时率（RTF）为 0.20，也就是生成 1 秒音频只需 0.2 秒。按我们的估算，在 Ryzen 7 7800X3D 这类 8 核台式机 CPU 上，Supertonic 3 的速度是实时的 4–6 倍，SuperClonica 是 6.4–9.7 倍。一句 10 秒的话大约 1.0–1.6 秒就能生成。","引擎的提速是实测结果：在相同设置下，SuperClonica 在 CPU（Ryzen 7 5800X）上平均比 Supertonic 3 快 61%，在显卡（RTX 5070 Ti）上快 73%。词与词之间的停顿没有底噪，句尾收得更干净；长文本会被切成短段来读，重复和断句的情况也更少。Supertonic 3 的音色文件无需转换即可使用。"]},{"heading":"现成音色、免费音色和声音克隆","paragraphs":["市场里的音色来自独立作者，有游戏角色、旁白、日常对话等风格，每个都能先试听演示。价格由作者以美元定价，也有免费音色。购买的音色用于您自己的项目，不允许转售。","如果想要一个接近某段录音的声音，有两种方式。两者都比云服务的即时克隆花时间，但得到的是一个在哪里都能快速运行的文件。请只使用您拥有权利、并取得说话人同意的录音。"],"points":["委托作者：上传参考录音，描述想要的声音并设定预算。作者会提交方案，在您验收结果之前，预算会冻结在余额中。","自己免费训练：准备 5 到 10 秒的干净录音和准确文本，把带 NVIDIA 显卡的电脑接入作为训练节点（worker），对比各个检查点。JSON 可以免费下载。","出售训练好的音色：添加封面、描述和价格即可。销售收入扣除平台佣金后计入您的美元余额。"]},{"heading":"本地 TTS 还是云端语音合成","paragraphs":["ElevenLabs 这类云服务在自己的服务器上生成语音：有网页应用、API、快速克隆和大量语言，什么都不用装。代价是每段文本都要经过网络，用量按套餐计算，断网就无法使用。","本地音色文件正好相反：文本不离开设备，没有网络往返，也没人统计字数。代价是需要自己安装，模型也更小：31 种语言、不支持中文、情感控制更少。","在我们的对比表中，Fish Audio S2 Pro、OmniVoice 和 VoxCPM 2 的音质评分与 SuperClonica 持平或更高，支持的语言也更多，而且都包括中文。不过按我们的估算，它们在台式机 CPU 上比实时慢 2–10 倍，更适合用 GPU 运行。"]},{"heading":"需要中文语音合成怎么办","paragraphs":["Supertonic 3 暂不支持中文。如果您的主要需求是中文语音，下面这些开源模型更合适，它们都需要 GPU 才能跑得快："],"points":["Qwen3-TTS：支持中文等 10 种语言，3 秒声音克隆，Apache 2.0 许可证。","VoxCPM 2：30 种语言，另支持粤语、四川话等 9 种中文方言，48 kHz 输出，Apache 2.0 许可证。","Fish Audio S2 Pro：中文属于其一级支持语言，表现力强，但商用需要另行取得许可。"]},{"heading":"适合哪些人","paragraphs":["常见的使用者有："],"points":["希望在玩家电脑上生成 NPC 台词的游戏开发者，尤其是做海外市场的团队。","在笔记本上为长篇外语文本配音的视频创作者和有声书制作者。","需要在浏览器或无 GPU 服务器上生成语音的开发者。","文档不能离开内网的团队。","训练音色用于出售或承接委托的作者。"]},{"heading":"账户与付款","paragraphs":["通过 GitHub 登录，无需身份证件或手机号。付款使用加密货币，余额以美元计，我们不会接触任何银行卡信息。"]},{"heading":"SuperClonica 与其他 TTS 模型对比","paragraphs":["我们的对比表从音质、CPU 速度、音色稳定性和语言几个方面打分。星级和速度是针对台式机 CPU 的粗略估算，不是实测结果。"],"points":["Fish Audio S2 Pro：音质评分最高，80 多种语言；在 CPU 上比实时慢 4–10 倍。","Qwen3-TTS：支持中文，3 秒克隆；10 秒语音需要 10–20 秒（0.6B）。","OmniVoice：600 多种语言；比实时慢 2–5 倍。","VoxCPM 2：30 种语言，48 kHz 输出；比实时慢 2–4 倍。","F5-TTS：中英文零样本克隆；比实时慢 5–15 倍。"]}],"faq":[{"question":"有没有免费又能离线使用的语音合成？","answer":"有。Supertonic 3 是开放权重模型，自带预设音色，安装后可以离线运行。我们的市场里也有免费音色；如果您有 NVIDIA 显卡，训练自己的音色也是免费的。"},{"question":"语音合成一定要显卡吗？","answer":"生成语音不需要：Supertonic 3 和 SuperClonica 都能在 CPU 上运行，有显卡只是更快。训练新音色则需要 NVIDIA 显卡。"},{"question":"能克隆我自己的声音吗？","answer":"可以，前提是声音属于您本人，或已取得说话人的同意。用 5 到 10 秒的录音自己训练，或委托作者训练，就能得到一个音色和说话方式都接近录音的音色文件。"},{"question":"支持中文语音合成吗？","answer":"目前不支持。Supertonic 3 支持英语、日语、韩语、西班牙语、法语、德语、俄语等 31 种语言，但不含中文。需要中文的话，Qwen3-TTS 或 VoxCPM 2 更合适。"},{"question":"现在能安装 SuperClonica 引擎吗？","answer":"可以。安装包已在 PyPI 上发布：处理器用 superclonica-cpu，NVIDIA 显卡用 superclonica-gpu-cuda。安装命令和示例见引擎页面，市场里的音色也可以在 Supertonic 3 官方客户端中使用。"}],"cta":{"catalog":"浏览音色市场","install":"如何安装 SuperClonica"},"sources":[{"label":"Supertonic 3 模型卡（Hugging Face）","url":"https://huggingface.co/supertone-oss-archive/supertonic-3"},{"label":"Supertonic 3 基准测试","url":"https://supertonic3.github.io/#benchmark"},{"label":"Supertonic 快速上手（GitHub）","url":"https://github.com/supertone-oss-archive/supertonic#quick-start"},{"label":"Qwen3-TTS 代码仓库（GitHub）","url":"https://github.com/QwenLM/Qwen3-TTS"},{"label":"VoxCPM 代码仓库（GitHub）","url":"https://github.com/OpenBMB/VoxCPM"},{"label":"ElevenLabs 文档","url":"https://elevenlabs.io/docs/overview"}],"published":"2026-10-17","updated":"2026-10-23","pages":[{"slug":"text-to-speech","path":"/text-to-speech","h1":"在自己电脑上运行的语音合成"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic 与 SuperClonica：同一模型，更快更干净"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio、Fish Speech 与 SuperClonica 对比"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoice 与 SuperClonica：语言更多，还是速度更快"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"本地语音合成：Qwen3-TTS 还是 SuperClonica"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2 与 SuperClonica：录音棚音质还是 CPU 速度"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTS 与 SuperClonica：零样本克隆还是 CPU 上的快速合成"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"可离线使用的 ElevenLabs 替代方案"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTS 与 SuperClonica：两个小模型的本地语音合成"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTS 与 SuperClonica：小设备还是定制音色"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2 与 SuperClonica：Coqui TTS 的替代方案"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTS 与 SuperClonica：即时克隆还是训练好的音色文件"}],"related":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"如何在自己的电脑上离线把文字转成语音"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"声音克隆：如何得到一个像录音里那样的声音"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"2026 年适合本地运行的免费语音合成模型"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"为视频、有声书、游戏和应用做文字转语音配音"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Supertonic 3 音色：自定义音色的来源与使用方法"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Python 文字转语音：离线、免费、自然的音色"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"在 Docker 中自建文字转语音 API"}]}