---

English

Text-to-speech, voice cloning, voice design, and vocoding with ONNX Runtime.

Export and run TTS models using text and optional prompt audio. The repository contains export targets across the model families below, each with Export, Inference, and Optimize scripts.

The shared model table lists public ONNX audio rates. Exporters handle native-rate conversion, while mode-dependent inputs are configured in the inference script.

The shared performance table reports RTF, calculated as synthesis time divided by audio duration. Lower is better. Unless noted, tests use a six-second reference and generate about 15 words. BigVGAN uses a (1, 100, 512) mel input.

Audio Contract

• Set public audio I/O with IN_SAMPLE_RATE, OUT_SAMPLE_RATE, IN_AUDIO_DTYPE, and OUT_AUDIO_DTYPE in each exporter; KaniTTS and BigVGAN expose output settings only.
• Audio tensors support F16, F32, and INT16; floating point uses [-1, 1], while INT16 uses PCM amplitude.
• Resampling runs inside the ONNX graph with torch.nn.functional.interpolate.
• Metadata.onnx stores the fixed package contract; runtime controls remain in the inference script. Inference validates metadata, graph layout, and referenced files.
• Streaming exporters require each codec or latent frame to map to a whole number of output samples.
• Raon-OpenTTS is English-only in this package and requires reference audio with matching reference text.

---

中文

基于 ONNX Runtime 的语音合成、声音克隆、声音设计与神经声码器。

输入文本及可选提示音频即可导出并运行 TTS 模型。本项目包含下表所列模型家族的导出目标，每个目标均提供 Export、Inference 与 Optimize 脚本。

共用模型表列出公开 ONNX 音频采样率。导出脚本负责原生采样率转换，模式相关输入则在推理脚本中配置。

共用性能表中的 RTF 为合成耗时除以音频时长，数值越低越好。除特别注明外，测试使用六秒参考音频并生成约 15 个单词。BigVGAN 使用 (1, 100, 512) mel 输入。

音频约定

• 在导出脚本中通过 IN_SAMPLE_RATE、OUT_SAMPLE_RATE、IN_AUDIO_DTYPE 与 OUT_AUDIO_DTYPE 设置公开音频输入输出；KaniTTS 与 BigVGAN 仅提供输出设置。
• 音频张量支持 F16、F32 与 INT16；浮点使用 [-1, 1]，INT16 使用 PCM 幅值。
• 重采样通过 torch.nn.functional.interpolate 在 ONNX 图内完成。
• Metadata.onnx 保存固定模型包约定，运行时配置保留在推理脚本中。推理时会校验元数据、图布局与引用文件。
• 流式导出要求每个编解码器帧或潜变量帧对应整数个输出采样点。
• 本项目中的 Raon-OpenTTS 仅支持英文，并且需要带有匹配文本的参考音频。

---

Supported Models
支持的模型

---

Performance
性能

---