如何在自己的电脑上离线把文字转成语音

离线语音合成需要准备什么

一台装有 Windows、macOS 或 Linux 的电脑就够了。Supertonic 3 在处理器上运行，按作者的说法不需要显卡。有 NVIDIA 显卡会更快，但不是必需的。

• 标准 Supertonic 3 客户端需要 Git 和 Python 3.11；SuperClonica 引擎需要 Python 3.10 或更新版本。
• 约 400 MB 磁盘空间，用来放基础模型，只需下载一次。
• 一个音色：一个保存音色参数的 JSON 文件。
• 只有安装时需要联网，之后生成语音完全离线。

第一步：选择音色

Supertonic 3 自带几个预设音色。如果您想要特定的声音，比如沉稳的旁白、游戏角色或聊天风格的声音，可以逛逛音色市场：每个音色都有试听样音和作者写的介绍，其中一部分是免费的。

先确认语言。Supertonic 3 支持 31 种语言，包括英语、日语、韩语、西班牙语、葡萄牙语、法语、德语和俄语，但还不支持中文。

购买后打开“我的音色库”，下载 JSON 格式的音色文件。在别处为 Supertonic 3 制作的音色文件也能同样使用。

第二步：在 Windows、macOS 或 Linux 上安装 Supertonic 3

标准的 Supertonic 3 客户端现在就能用。打开终端（Windows 上用 PowerShell），按顺序执行我们“工作原理”页面上的命令。这些命令会从 GitHub 克隆 supertonic 仓库，在里面创建 Python 3.11 虚拟环境（Windows 上是 py -3.11 -m venv .venv，macOS 和 Linux 上是 python3.11 -m venv .venv），安装 huggingface_hub，用 hf 工具把 supertone-oss-archive/supertonic-3 模型下载到 assets 文件夹，安装 py/requirements.txt 里的依赖，然后进入 py 文件夹。

页面上分别给出了 Windows 以及 macOS 和 Linux 的完整命令，并带有复制按钮。只有下载模型比较耗时，而且只需做一次。

第三步：把文字转成语音

把下载的音色保存为 supertonic/py 文件夹里的 voice.json。然后在虚拟环境中运行 example_onnx.py，传入音色、文本和语言代码：--voice-style "./voice.json" --text "Your text here" --lang en --n-test 1。脚本会在 results 文件夹里生成一个 WAV 文件。

换成其他语言时，修改文本和代码即可，比如 --lang ja 或 --lang ko。脚本还有一个 --speed 参数：默认值是 1.05，数值越大语速越快。

从这一步开始就不再需要网络了：断开网络也能随时继续把文字转成语音。

更快的选择：SuperClonica 引擎

SuperClonica 是我们基于 Supertonic 3 开发的引擎。它无需转换就能读取同样的 JSON 音色文件，在相同设置下，CPU 上平均快 61%（Ryzen 7 5800X 实测），显卡上平均快 73%（RTX 5070 Ti 实测）。停顿处没有底噪，句尾也更干净。

安装包已在 PyPI 上发布，只需一条命令：python -m pip install superclonica-cpu；有 NVIDIA 显卡则用 superclonica-gpu-cuda，CUDA 和 cuDNN 会由 pip 一并安装。之后一句话只要一行：superclonica --text "Hello!" --voice voice.json --lang en --output hello.wav。基础模型会在首次运行时下载。在 Python 里调用 Superclonica().synthesize() 并传入同样的参数即可，完整示例见安装页面。

长文本的处理技巧

书籍、文章和长脚本稍作准备，效果会好很多。

• 把文本按章节或段落拆开，每段单独生成一个文件。哪一段出了问题，重做起来很快。
• 使用标准客户端时，每次只送入一段或几句话，再在音频编辑软件里拼接。SuperClonica 引擎会自动把长文本分成短段来合成，重复字词和吞字的情况更少。
• 数字、日期、单位和缩写，按希望读出来的方式写出来。
• 把特别长的句子拆短：语音的停顿来自标点。
• 预留时间。按我们的估算，在 8 核台式机 CPU 上，SuperClonica 生成 1 小时音频大约需要 7–11 分钟。

需要中文语音合成怎么办

Supertonic 3 目前不支持中文。如果您主要需要中文语音，可以考虑 Qwen3-TTS 或 VoxCPM 2：两者都采用 Apache 2.0 许可证，支持中文，最好在显卡上运行。Piper 和 Kokoro 也有中文音色。具体对比见本站的模型对比页面。