VoiceStudio — Supertonic-3 引擎¶

Supertonic-3（Supertone Inc.）是一个约 99M 参数的 ONNX TTS 引擎，覆盖 31 种语言，提供 7 个预设音色，原生采样率为 44.1 kHz。它在设计上仅使用 CPU —— 在 CPU 执行提供程序上纯运行 ONNX Runtime，上游 SDK 中没有 CUDA 或 MPS 路径 —— 并且运行在独立的 sidecar 进程中，因此崩溃和冷启动不会阻塞 VoiceStudio 的其他功能。

何时选择它¶

• 在没有可用 GPU 的机器上需要广泛语言覆盖时。
• 需要以比默认引擎更高的采样率进行预设音色旁白时。

设置¶

1. 将可选依赖安装到 VoiceStudio 的环境中：

uv sync --extra supertonic

或者在 Model Catalogue → Supertonic-3 中点击 Install。这会安装同一个锁定版本的 wheel 到引擎自己的 Python 环境中（位于 VoiceStudio 的数据目录下）。它所安装的任何内容都不会影响 VoiceStudio 本身或其他引擎，同一行中的 Uninstall 只会删除该文件夹。通过 uv sync 完成的安装会保持原样继续工作。

1. 在应用内接受许可。 首次使用受明确的接受对话框门控：推理 SDK 是 MIT 许可，但模型权重是 OpenRAIL-M，带有使用限制。在你于 Model Catalogue → Supertonic-3 中查看并接受之前，引擎保持不可用状态。

2. 通过 Model Catalogue（TTS 标签 → Use）或 OMNIVOICE_TTS_BACKEND=supertonic3 选择引擎。

首次合成会冷下载约 400 MB 的模型权重，并固定到精确的 HuggingFace 修订版 SHA，以确保字节与 SDK 验证时所依据的内容一致。参见 downloading-models.md。

音色¶

可用的七个预设音色为：M1（默认）、M3、M4、M5、F3、F4、F5。如果调用方显式传入完整的 M1–M5 / F1–F5 集合，SDK 本身会接受；未知 ID 会回退到默认音色并记录一条日志。

行为说明¶

• 输出为 44.1 kHz 单声道。
• 作为常驻 sidecar 进程运行：如果通过一键安装，从它自己的环境中运行；否则从 VoiceStudio 的环境运行（uv sync --extra supertonic 会将其安装在那里）。后续调用会复用已预热的 ONNX 会话。
• speed 被限制在 0.7–2.0；质量步进被限制在 5–12。
• 语言接受受支持的全名（如 Portuguese 或 Estonian）、ISO 639-1 代码或区域标签（如 pt-BR）。自动启用 SDK 的多语言回退。

已知限制¶

• 不支持克隆和音色设计 —— 仅提供预设音色。需要克隆的配音/批量任务不会选择该引擎。
• 仅 CPU：硬件加速是上游 SDK 的属性，而非 VoiceStudio 的限制。
• OpenRAIL-M 权重不受 VoiceStudio 的整体商业使用声明覆盖 —— 请在接受对话框中查看模型许可条款。

故障排除¶

• "supertonic package not installed"：运行上面的 uv sync，或从 Model Catalogue 中启用。
• "license not accepted"：打开 Model Catalogue → Supertonic-3 并接受。
• 其他问题：install/troubleshooting.md。

参见：benchmarks.md、languages.md、expressive-speech.md、磁盘使用。