最近在折腾本地语音合成，需求其实很朴素：不想把录音和文字传到云端，也不想为 ElevenLabs 那种按月订阅的额度买单。看了一圈开源方案，撞见一个挺有意思的项目——Supertonic 3。它最抓我的点是参数量只有 99M，却宣称能在 M1 上跑到 1000+ 字符/秒，而且还支持浏览器端 WebGPU 直接跑。
但动手前我先去翻了它的仓库公告，结果看到一条 2026-07-23 的警告：这个项目要归档了，官方说 2026-08-31 之后不再开发、不再提供支持，Voice Builder 也不再能访问。所以这篇文章不是来吹它有多活跃，而是想说——趁现在模型权重还能下载，把它囤到本地，以后离线跑完全不依赖官方，反而更安心。
是什么：一个小到离谱的本地 TTS
Supertonic 是 Supertone 开源的端侧文本转语音系统，底层跑在 ONNX Runtime 上，完全本地推理，不调任何云 API。第三代（2026-04-29 发布）把支持语言扩到了 31 种，并且改进了朗读准确率和重复/跳读的问题。
它最反常识的地方在体积。常见的开源 TTS 动辄 0.7B~2B 参数，Supertonic 3 只有 99M，是它们的零头。代价是语言覆盖偏欧洲系——31 种里没有中文，这点后面说坑。但换来的好处很实在：模型下载快、冷启动快、内存占用低，树莓派和电子书阅读器都能跑。
音频质量上它直接输出 44.1kHz / 16-bit 的 WAV，不用外接上采样器，拿来做播客垫乐、视频配音够用。还有 10 个内联表情标签（比如 <laugh>、<breath>、<sigh>），不用参考音频就能给语音加语气，这点比很多同体量模型贴心。
为什么值得趁早囤：官方要撤了
2026-07-23 的公告写得很直白：仓库会归档，开源模型不再有后续开发，Voice Builder（云端声音克隆工具）在 2026-08-31 之后停止访问。也就是说，现在是你最后一次能方便地从官方渠道拉到模型资产和声音克隆 JSON 的时间窗口。
好消息是模型权重本身是 MIT（代码）/ OpenRAIL-M（模型） 许可，归档不等于删除，Hugging Face 上的权重大概率还在。但官方一旦停止维护，链接失效、文档搬迁都是常态。我的做法是：现在就把 ONNX 模型和 Python 包缓存到本地 NAS，以后重装系统也不用临时去网上找。
怎么用：三条路，从一行命令到本地服务
最轻量的方式是用 Python SDK，第一次运行会自动从 Hugging Face 下载模型：
pip install supertonic
from supertonic import TTS
tts = TTS(auto_download=True)
style = tts.get_voice_style(voice_name="M1")
wav, duration = tts.synthesize(
text="Supertonic is a lightning fast, on-device TTS system.",
lang="en",
voice_style=style,
total_steps=8, # 质量 5(低)~12(高)，默认 8
speed=1.05,
)
tts.save_audio(wav, "output.wav")
如果你想像调 API 一样用，可以起一个本地 HTTP 服务，它自带 /v1/tts 和 OpenAI 兼容的 /v1/audio/speech 端点：
pip install 'supertonic[serve]'
supertonic serve --host 127.0.0.1 --port 7788
跑起来之后，本地 Agent、浏览器插件、Electron 应用都能直接打这个地址，不用每个工具都嵌一套推理逻辑。我自己的本地模型控制台就是这么接的——统一走 HTTP，前端都不用改。
更野的路子是浏览器端。它支持 WebGPU 和 WASM，Hugging Face 上有官方 Demo Space，理论上手机浏览器打开就能合成，零安装。我在 Mac 的 Safari 和 Chrome 上都试过，WebGPU 路径确实能跑，就是第一次加载模型要等几秒。
除了 Python，官方还给了 Node.js、Java、C++、C#、Go、Swift、iOS、Rust、Flutter 的 SDK 示例。覆盖面在开源 TTS 里算相当全的，做移动端或桌面端嵌入不用自己造轮子。
有什么坑：实话实说
1. 没有中文。 31 种语言里清一色是欧洲/中东/东南亚系（英、日、韩、西、葡、德、法等），中文不在列表。不知道语种时可以传 lang="na" 让它自动判断，但实测对中文支持也是没有的。如果你主要合成中文，这个项目先划掉，去看 Qwen3-TTS 或 Kokoro 那条线。
2. 官方要停更。 上面说了，2026-08-31 是个节点。趁现在把模型和包缓存好，别等要用的时候才发现 Voice Builder 进不去了。归档后社区会不会接手不好说，issue 区现在还有 130+ 未关闭，维护一停这些都不会自己解决。
3. 音质定位是”够用”而非”惊艳”。 99M 的参数决定了它天然比不过几 B 级的大模型。做有声书、视频配音、工具朗读完全 OK，但如果你追求主播级拟真或者复杂情感演绎，它给不了。表情标签能补一点语气，但别期待太多。
4. 首次运行有下载。 auto_download=True 会从 Hugging Face 拉 ONNX 资产，没网或网络不稳会卡住。在内网环境部署的话，建议先在有网机器上跑一次把缓存落到本地，再拷到目标机。
我的小结
Supertonic 3 不是最强的开源 TTS，但它是目前最容易落地的端侧方案之一：99M 体积、31 语言、浏览器都能跑、MIT 可商用。对于不想碰云订阅、又不需要中文的场景（比如英文视频配音、工具朗读、Agent 语音输出），它几乎是开箱即用。
唯一的紧迫感来自官方归档倒计时。我的建议很直接：这周把模型权重和 Python 包下载缓存到本地，这样哪怕 8 月底官方关服，你手里的合成能力一点都不减。开源项目的浪漫就在于——代码给了你，它就真的是你的了。