Supertonic TTS ONNX 推理

pip install onnxruntime numpy soundfile scipy

# 基础用法
python inference.py --text "Hello world."

# 指定语音风格 (M1-M5 男性, F1-F5 女性)
python inference.py --text "Hello world." --voice M1
python inference.py --text "Hello world." --voice F3

# 调整语速 (0.5=慢速, 1.0=正常, 2.0=快速)
python inference.py --text "Hello world." --voice M1 --speed 1.5

# 调整 Flow 步数 (更多步数=更好质量)
python inference.py --text "Hello world." --steps 16

# 基准���试模式
python inference.py --text "Benchmark test." --voice M1 --benchmark

# 列出所有语音风格
python inference.py --list-voices

from inference import SupertonicTTS, save_wav

# 初始化
tts = SupertonicTTS()

# 单条合成
wav, info = tts.synthesize("Hello world.", voice="M1")
save_wav(wav, "output.wav")

# 批量合成
texts = ["Hello.", "World.", "Testing."]
voices = ["M1", "F1", "M2"]
results = tts.synthesize_batch(texts, voices=voices)

# 调整语速
wav, info = tts.synthesize("Hello world.", voice="M1", speed=1.5)

文本 → token IDs (unicode_indexer)
       ↓
token IDs → text_emb (text_encoder, 受 style_ttl 控制)
       ↓
token IDs → duration (duration_predictor, 受 style_dp 控制)
       ↓
Flow Matching 去噪 (vector_estimator, 默认 8 步)
       ↓
latent → wav (vocoder)

==================================================
  推理摘要
==================================================
  文本:       The quick brown fox jumps over the lazy dog.
  语音风格:   M1
  语速:       1.0
  音频时长:   17.14s
  采样率:     44100 Hz
  Flow步数:   8
  总延迟:     2413.1ms
  RTF:        0.141
  输出文件:   demo_M1.wav
==================================================

# 完整评测 (精度+性能+语音风格)
python evaluate.py --mode full

# 仅精度测试
python evaluate.py --mode accuracy

# 仅性能测试
python evaluate.py --mode performance

# 仅语音风格验证
python evaluate.py --mode voices

onnx/
├── inference.py          # 推理脚本 (主交付件)
├── evaluate.py           # 评测脚本
├── README.md             # 本文档
├── evaluation_report.json # 评测报告
├── demo_M1.wav           # 演示音频
├── demo_F3.wav           # 演示音频
├── text_encoder.onnx     # 文本编码器
├── duration_predictor.onnx # 时长预测器
├── vector_estimator.onnx # Flow Matching 去噪器
├── vocoder.onnx          # ���码器
├── tts.json              # 模型配置
└── unicode_indexer.json  # 文本映射表

../voice_styles/
├── M1.json ~ M5.json     # 男性语音风格
└── F1.json ~ F5.json     # 女性语音风格