/ Модель

Характеристики

Лицензия
OpenRAIL
Архитектура
onnx · dense
Библиотека
supertonic
Опубликована
6 мая 2026

supertonic-3

Синтез речиТекст → аудио3 профессии

Supertonic 3 — компактная модель Supertone для локального синтеза речи из текста на 31 языке.

33 115скачиваний за 30 дней986лайковвеса обновлены18 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Supertonic 3 — компактная многоязычная модель синтеза речи от Supertone для локального запуска. Модель распространяется в формате ONNX и работает через ONNX Runtime на устройстве, без обращения к облаку. В открытых ONNX-ресурсах около 99 млн параметров.

Модель преобразует текст в речь на 31 языке и рассчитана на сценарии, где важны быстрая генерация и локальное выполнение: озвучивание аудиокниг, новостей, диалогов и телефонных обращений, в том числе на мобильных и периферийных устройствах. Поддерживаются фиксированные предустановленные голосовые стили; README также описывает демонстрацию пользовательских стилей по референсному аудио и теги выразительности.

По сравнению с Supertonic 2 заявлены более стабильное чтение с меньшим числом повторов и пропусков, а также улучшенное сходство голосов на общих языках. Лицензия — OpenRAIL. README не приводит независимой оценки качества для всех языков; пользовательские стили по референсному аудио связаны с отдельным Voice Builder.

Сценарии применения

  • локальная озвучка аудиокниг
  • генерация речи для новостей и объявлений
  • озвучивание диалогов персонажей
  • синтез речи для телефонных обращений
  • встраивание озвучки в мобильные и периферийные приложения

Ограничения

Открытый пакет предоставляет фиксированные предустановленные голосовые стили; создание пользовательских стилей по референсному аудио описано через отдельный Voice Builder. Заявления о качестве и стабильности приведены в карточке модели и не сопровождаются независимой оценкой для каждого языка.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Supertonic 3 | Lightning Fast, On-Device, Accurate TTS

Supertonic 3 Preview

Supertonic is a lightweight text-to-speech system for local inference. It runs with ONNX Runtime entirely on your device, with no cloud call required for synthesis.

Supertonic 3 expands the open-weight release from 5 to 31 languages, improves reading stability, and reduces repeat/skip failures.

Quick Start

Install the Python SDK and generate speech immediately. On first run, the SDK downloads the model assets from Hugging Face.

pip install supertonic
from supertonic import TTS

tts = TTS(auto_download=True)
style = tts.get_voice_style(voice_name="M1")

text = "A gentle breeze moved through the open window while everyone listened to the story."
wav, duration = tts.synthesize(text, voice_style=style, lang="en")

tts.save_audio(wav, "output.wav")
print(f"Generated {duration:.2f}s of audio")

What's New in Supertonic 3

  • 31 languages: expanded from the 5-language Supertonic 2 release.
  • More stable reading: fewer repeat and skip failures, especially on short and long utterances.
  • Higher speaker similarity: improved similarity across the shared-language set compared with Supertonic 2.
  • Expression tags: supports simple tags such as <laugh>, <breath>, and <sigh>.

Custom Voices and Audio Samples

The open-weight package includes fixed preset voice styles for immediate local inference. If you want to hear how Supertonic 3 performs with zero-shot custom voice styles, visit the Audio Sample Demo to compare reference audio and generated speech across several use cases. To create your own Supertonic 3 voice-style JSON from reference audio, use Supertonic Voice Builder; purchased Voice Builder styles include downloadable embeddings for both Supertonic 2 and Supertonic 3.

Here are a few reference/generated pairs from the audio sample demo:

Call center, English
Text: Good morning, thank you for calling. How can I help you today?

Reference voiceSupertonic 3 output

Character voice, Japanese
Text: ふふっ、退屈してたところなの。ちょうどいい遊び相手、見つけたかも♪

Reference voiceSupertonic 3 output

Elder character voice, Korean
Text: 혼자 떠나기엔 길이 험하구나. 이 낡은 검을 가져가거라. 언젠가 어둠이 네 이름을 부르더라도, 부디 빛을 잊지 말거라.

Reference voiceSupertonic 3 output

Audiobook, English
Text: I was not afraid of silence. I had lived with it long enough to know that, sometimes, it speaks more honestly than people do.

Reference voiceSupertonic 3 output

Audiobook, Japanese
Text: その朝、ロンドンの霧はいつになく低く垂れこめていた。私はただの訪問者だと思っていたが、ホームズの目はすでに別の結論にたどり着いていた。

Reference voiceSupertonic 3 output

News, English
Text: Here’s a story worth paying attention to. Supertone has released Supertonic 3, its on-device TTS model. This version expands support to thirty-one languages and improves reading stability.

Reference voiceSupertonic 3 output

Performance Highlights

Supertonic 3 is designed for practical on-device inference: compact enough to run locally, while staying competitive with much larger open TTS systems.

Reading Accuracy

Across measured languages, Supertonic 3 stays within a competitive WER/CER range against much larger open TTS models such as VoxCPM2, while preserving a lightweight on-device deployment path. Asterisked languages use CER; the others use WER.

Supertonic 2 to Supertonic 3

Compared with Supertonic 2, Supertonic 3 reduces repeat and skip failures, improves speaker similarity across the shared-language set, and expands language coverage from 5 to 31 languages.

Runtime Footprint

Supertonic 3 runs fast on CPU, even compared with larger baselines measured on A100 GPU, and uses substantially less memory. It does not require a GPU, which makes local, browser, and edge deployment much easier.

Model Size

At about 99M parameters across the public ONNX assets, Supertonic 3 is much smaller than 0.7B to 2B class open TTS systems. The smaller model size is a practical advantage for download size, startup time, and on-device inference.

Supported Languages

CodeLanguageCodeLanguageCodeLanguageCodeLanguage
enEnglishkoKoreanjaJapanesearArabic
bgBulgariancsCzechdaDanishdeGerman
elGreekesSpanishetEstonianfiFinnish
frFrenchhiHindihrCroatianhuHungarian
idIndonesianitItalianltLithuanianlvLatvian
nlDutchplPolishptPortugueseroRomanian
ruRussianskSlovakslSloveniansvSwedish
trTurkishukUkrainianviVietnamese

License

This project's sample code is released under the MIT License. See the GitHub repository for details.

The accompanying model is released under the OpenRAIL-M License. See the LICENSE file in this repository for details.

This model was trained using PyTorch, which is licensed under the BSD 3-Clause License but is not redistributed with this project. See the PyTorch license for details.

Copyright (c) 2026 Supertone Inc.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · supertonic

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
3cadd1e

0 моделей