语音合成

在自己电脑上运行的语音合成

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。

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。

浏览音色市场 如何安装 SuperClonica

Supertonic 3 本地语音合成是怎么工作的

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。

  • 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。

CPU 上的文字转语音有多快

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。

现成音色、免费音色和声音克隆

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。

  • 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。

本地 TTS 还是云端语音合成

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。

需要中文语音合成怎么办

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：

  • 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。

适合哪些人

常见的使用者有：

  • 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。

账户与付款

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。

SuperClonica 与其他 TTS 模型对比

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。

  • 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。