# Supertonic 与 SuperClonica：同一模型，更快更干净 更新于 2026-10-18 同一个 Supertonic 3 模型，同样的声音、同样的文本、同样的种子。我们用原版 Supertonic 和 SuperClonica 分别朗读俄语、英语和德语的短聊天句子，比较速度和声音。（Supertonic 3 目前不支持中文，所以测试句子没有中文。） 简而言之：SuperClonica 在显卡上快 1.7 倍，在处理器上快 1.6 倍，开口前的静音从半秒缩短到 0.08 秒，去除了停顿中的底噪，句尾被截断的情况也少得多。下面是测量结果、原版更好的情况，以及全部录音，方便您亲耳对比。 ## 速度 两个引擎在同一个进程中运行，逐句轮流处理，每句都交换先后顺序。这样电脑的后台负载对两者的影响相同。每次调用都使用新的种子，就像聊天里每句话都是新的。两个引擎都提前创建并完成了预热。 在显卡上，加速来自 CUDA 图：整个模型只录制一次，之后用一条命令启动。在处理器上，模型被改写为多线程计算。SuperClonica 在显卡上的全部 10 句、处理器上的全部 24 句都更快。 SupertonicSuperClonica显卡，每句中位数202 毫秒117 毫秒显卡，连续 10 句2.03 秒1.19 秒处理器，每句中位数855 毫秒530 毫秒处理器，8 种语言连续 24 句22.03 秒14.39 秒 ## 声音 模型相同，所以音色和语调一致。区别在于词语周围发生的事情：首尾的静音、停顿里的噪声，以及模型偶尔添加的杂音。 图中是同一句话在共同时间轴上的对比。原版在第一个词前保留半秒静音，在最后一个词后保留超过半秒；SuperClonica 只留 0.08 秒和 0.2 秒，因此语音开始得更早。词与词之间停顿中的底噪也被去除。 10 个示例句子SupertonicSuperClonica第一个词前的静音（中位数）0.50 秒0.08 秒最后一个词后的静音（中位数）0.63 秒0.20 秒10 个文件总时长37.6 秒30.0 秒词间停顿的底噪（中位数，相对峰值）−48 dB−92 dB ## 数千次生成测试的结果 十个句子只是样本。以下结果来自我们规模大得多的自有测试。 - 句尾杂音。模型有时会在最后一个词后加上咔嗒声、呼吸声、嗡嗡声或多余的音节。在 1800 句和 1392 句的两轮测试中（12 种和 18 种语言，用 Whisper 识别），这样的结尾分别有 27 个和 26 个。经过 SuperClonica 清理后，只剩 0 个和 3 个。 - 不会截掉词语。清理结果会用音素识别器与模型的原始输出核对。在最近的版本中，覆盖 30 多种语言的 25,000 多次生成里，确认截掉真实语音的情况为 0。 - 长文本更少卡顿。SuperClonica 在自然停顿处把文本切成最多 160 个字符的片段，原版按 300 个字符切分。片段不超过 160 个字符时，1800 次生成中只出现 1 次重复词；片段为 200–290 个字符时，出现概率为 1–4%。 - 没有削波。模型有时会产生超过满刻度的峰值。前瞻限幅器只压低这些峰值。 ## 句尾截断更少 模型有时会在最大音量时突然切断最后一个音，就像录音在词中间被关掉。听起来像一声咔嗒，或是被吞掉的结尾。SuperClonica 会把这类结尾处理成自然的淡出，同时保留声音本身。 我们使用聊天句子，每句用 4 个标准声音朗读，两个引擎的声音和种子相同。语音结尾处 2 毫秒内音量下降超过 25 dB 即计为截断。下面是三个示例，句尾经过放大，虚线标出语音结束的位置。 句尾突然截断SupertonicSuperClonica俄语，312 条37 · 11.9%3 · 1.0%英语，300 条53 · 17.7%6 · 2.0%德语，132 条14 · 10.6%0 · 0.0%合计，744 条104 · 14.0%9 · 1.2% ## 数字 原版把数字原样交给模型。模型能读对小数字，但在部分语言中会读错大数字。SuperClonica 在 27 种语言中把数字转换成单词朗读。 数字测试使用一个包含 3、25、2024 和 150 的句子，每种语言两个种子，用 Whisper 识别。 语言SupertonicSuperClonicaes两个种子下“150”都含糊不清正确fr两个种子下“150”都听起来像“105”正确de其中一个种子下“150”变成“eine 50”正确pl其中一个种子下“2024”读错正确ru, uk, it正确正确 ## 亲耳听听 测量用到的全部句子。每段录音下方是它的音量包络，语音前后的静音以阴影标出。 ## 原版 Supertonic 更好的地方 SuperClonica 并非处处领先。以下是我们已知的取舍。 - 启动。SuperClonica 启动时要在显卡上检查 CUDA 图，并为处理器改写模型，因此启动更慢：显卡上 9.5 秒（原版 1.2 秒），处理器上 4.0 秒（原版 0.9 秒）。建议只创建一次引擎并一直保留。 - 显卡上的长段落。文本会被切成最多 160 个字符的片段，所以长段落可能比原版稍慢；在我们的测量中没有出现这种情况。作为交换，卡顿更少。 - 数字不变格。俄语“в 2024 году”会按基数而不是序数朗读，英语年份听起来像普通数字。参数 numbers=False 会像原版一样把数字原样交给模型。 ## 测量方法 未做后处理的 Supertonic 1.3.1（模型 supertonic-3）对比使用默认设置的 SuperClonica 0.6.23。两个引擎都以 1.05 倍速、8 步运行，每句的声音和种子相同。显卡为 RTX 5070 Ti，ONNX Runtime GPU 1.26（10 轮）。处理器为 Ryzen 7 5800X，两者均为 4 线程，8 种语言的 24 个聊天句子（2 轮）。 测试用的是日常工作的电脑，开着其他应用。在空闲的机器上，绝对毫秒数会更低，但比例保持不变。声音指标来自显卡上的另一轮测量，静音和底噪按 10 毫秒帧、相对句子峰值计算。 SuperClonica 是 Supertonic 的独立衍生项目，不是 Supertone 的官方发布。Supertonic 3 模型按其自身的许可证发布。 ## 更多语音合成内容 - [在自己电脑上运行的语音合成](https://superclonica.com/zh/text-to-speech) - [Fish Audio、Fish Speech 与 SuperClonica 对比](https://superclonica.com/zh/compare/fish-audio) - [OmniVoice 与 SuperClonica：语言更多，还是速度更快](https://superclonica.com/zh/compare/omnivoice) - [本地语音合成：Qwen3-TTS 还是 SuperClonica](https://superclonica.com/zh/compare/qwen3-tts) - [VoxCPM 2 与 SuperClonica：录音棚音质还是 CPU 速度](https://superclonica.com/zh/compare/voxcpm) - [F5-TTS 与 SuperClonica：零样本克隆还是 CPU 上的快速合成](https://superclonica.com/zh/compare/f5-tts) - [可离线使用的 ElevenLabs 替代方案](https://superclonica.com/zh/compare/elevenlabs) - [Kokoro TTS 与 SuperClonica：两个小模型的本地语音合成](https://superclonica.com/zh/compare/kokoro) - [Piper TTS 与 SuperClonica：小设备还是定制音色](https://superclonica.com/zh/compare/piper) - [Coqui XTTS-v2 与 SuperClonica：Coqui TTS 的替代方案](https://superclonica.com/zh/compare/xtts) - [Chatterbox TTS 与 SuperClonica：即时克隆还是训练好的音色文件](https://superclonica.com/zh/compare/chatterbox) ## 语音合成指南 - [如何在自己的电脑上离线把文字转成语音](https://superclonica.com/zh/guides/offline-text-to-speech) - [声音克隆：如何得到一个像录音里那样的声音](https://superclonica.com/zh/guides/voice-cloning) - [2026 年适合本地运行的免费语音合成模型](https://superclonica.com/zh/guides/best-free-tts-models) - [为视频、有声书、游戏和应用做文字转语音配音](https://superclonica.com/zh/guides/text-to-speech-for-videos) - [Supertonic 3 音色：自定义音色的来源与使用方法](https://superclonica.com/zh/guides/supertonic-3-voices) - [Python 文字转语音：离线、免费、自然的音色](https://superclonica.com/zh/guides/python-text-to-speech) - [在 Docker 中自建文字转语音 API](https://superclonica.com/zh/guides/text-to-speech-api-docker) ## 常见问题 ### 与 Supertonic 3 相比，SuperClonica 会改变声音吗？ 不会。它运行同一个 Supertonic 3 模型和同样的声音 JSON 文件，所以音色和语调一致。改变的是词语周围：首尾静音、停顿中的噪声、杂音和被截断的结尾。 ### SuperClonica 比原版 Supertonic 快多少？ 在我们的测量中，RTX 5070 Ti 上快 1.7 倍（每句中位数 202 → 117 毫秒），4 线程的 Ryzen 7 5800X 上快 1.6 倍（855 → 530 毫秒）。启动更慢，所以建议只创建一次引擎并一直保留。 ### 能像原版 Supertonic 一样保留数字吗？ 可以。SuperClonica 默认在 27 种语言中把数字转换成单词朗读；参数 numbers=False 会像原版一样把数字原样交给模型。 ### SuperClonica 是 Supertone 的官方产品吗？ 不是。SuperClonica 是 Supertonic 的独立衍生项目，不是 Supertone 的官方发布。Supertonic 3 模型按其自身的许可证发布。 - [试听 Supertonic 3 声音](https://superclonica.com/zh/explore) - [安装 SuperClonica](https://superclonica.com/zh/superclonica) ## 参考来源 - [Supertonic 3 模型卡](https://huggingface.co/supertone-oss-archive/supertonic-3) - [Supertonic 代码仓库（GitHub）](https://github.com/supertone-oss-archive/supertonic) - [SuperClonica](https://superclonica.com/zh/) - [文字转语音 AI 声音目录](https://superclonica.com/zh/explore) - [Supertonic 3 定制音色委托](https://superclonica.com/zh/requests) - [工作原理：音色、本地语音、训练](https://superclonica.com/zh/guide) - [安装更快的 Supertonic 3 引擎](https://superclonica.com/zh/superclonica) - [关于我们：语音合成爱好者团队](https://superclonica.com/zh/about) - [联系方式、支持与音色投诉](https://superclonica.com/zh/contacts) - [隐私政策](https://superclonica.com/zh/privacy) - [使用条款](https://superclonica.com/zh/terms) - [语音合成](https://superclonica.com/zh/text-to-speech)