项目概览
本文档对比两款开源轻量级 TTS 系统：Supertonic 与 MOSS-TTS-Nano。Supertonic 由 Supertone Inc. 开发，基于 ONNX Runtime 完全本地运行，约 99M 参数，支持 31 种语言，提供 11 种语言 SDK，采用 Flow Matching 与语音自编码器架构，代码 MIT 许可，模型 OpenRAIL-M。MOSS-TTS-Nano 由 MOSI.AI 和复旦大学 OpenMOSS 团队开发，仅 0.1B 参数，基于 Audio Tokenizer + LLM 纯自回归架构，支持实时流式推理，可在 4 核 CPU 上运行，支持零样本声音克隆，输出 48kHz 立体声，Apache-2.0 许可。两者均解决传统 TTS 的部署、质量、工程与生态痛点，但侧重点不同：Supertonic 适合跨平台部署与极低资源设备，MOSS-TTS-Nano 适合声音克隆与中文 TTS。文档还包含架构原理、系统架构、关键流程、应用场景、优缺点与选型建议。
解决什么问题
传统 TTS 存在六大痛点：商业 TTS 依赖云端 API，存在延迟、成本、隐私问题；大型开源模型需要 GPU，边缘设备无法运行；模型体积大，下载加载时间长；轻量模型常出现重复、跳字、读错数字/电话；多语言切换不自然；固定声音缺乏表现力。工程上，各平台 SDK 不统一，声音克隆流程复杂，文本归一化不完善，流式推理延迟高。生态上，缺乏端到端开源工具链，浏览器端 TTS 能力弱，中文 TTS 生态相对落后。 Supertonic 通过 ONNX Runtime 纯端侧推理解决云端依赖，99M 参数适合树莓派/e-reader，11 种语言 SDK 解决跨平台问题，文本归一化超越 ElevenLabs/OpenAI/Gemini。MOSS-TTS-Nano 通过 PyTorch/ONNX/MLX 多后端实现 CPU 友好，0.1B 参数 + 20M Audio Tokenizer 可在 4 核 CPU 运行，零样本声音克隆简化流程，WeTextProcessing + pynini 处理中文文本归一化，纯自回归支持流式生成。
工作方式
Supertonic 采用 Flow Matching + 语音自编码器架构：输入文本经 Text Encoder，Flow Matching 生成语音潜在表示，语音自编码器解码为 16-bit WAV。自研 LARoPE 位置编码解决文本与语音长度不对齐，Self-Purifying Flow Matching 自动过滤噪声标签。所有推理基于 ONNX Runtime，跨平台零适配成本。 MOSS-TTS-Nano 采用 Audio Tokenizer + LLM 架构：输入文本与参考音频，文本经 WeTextProcessing 归一化，参考音频经 MOSS-Audio-Tokenizer-Nano（20M 参数，Cat 架构，纯因果 Transformer）编码为 token，LLM（0.1B）逐 token 生成目标音频 token 序列，Audio Decoder（RVQ 16 codebooks）解码为 48kHz 立体声。纯自回归生成天然支持流式输出。
核心能力
- Supertonic：约 99M 参数，支持 31 种语言
- Supertonic：11 种语言 SDK（Python/Node.js/C++/Rust/Go/Swift/Java/C#/Flutter/Web/iOS）
- Supertonic：完全离线，浏览器原生 WebGPU/WASM 支持
- Supertonic：文本归一化超越 OpenAI/ElevenLabs（金融/电话/技术文本）
- Supertonic：代码 MIT 许可，商业友好
- MOSS-TTS-Nano：0.1B 参数，4 核 CPU 可运行
- MOSS-TTS-Nano：零样本声音克隆，3-5 秒参考音频即用
- MOSS-TTS-Nano：48kHz 立体声输出，音质接近 1.7B 模型
- MOSS-TTS-Nano：原生流式推理，适合 Voice Agent
- MOSS-TTS-Nano：Apache-2.0 完全开源
- MOSS-TTS-Nano：ONNX CPU 推理效率比 PyTorch 版快 2x
- MOSS-TTS-Nano：支持微调，双平台发布（HuggingFace + ModelScope）
使用前需要了解
- AI 整理 · 本地测试，未经人工复核；依据历史报告节选，不代表当前产品状态。
- Supertonic 不适合需要零样本声音克隆的场景（公开权重仅预设声音，Voice Builder 付费）；中文音质和自然度可能不如 MOSS-TTS-Nano；无流式实时对话优化；OpenRAIL-M 模型许可有使用限制。MOSS-TTS-Nano 仅支持 20 种语言；SDK 以 Python 为主，缺乏多语言支持；文本归一化依赖 pynini，安装复杂；无浏览器原生 WebGPU 支持；流式对话仍需 1.7B 的 MOSS-TTS-Realtime；暂无移动端官方 SDK。两者均需注意声音克隆的隐私与合规。
