輕量級語音合成：sanoTTS 如何讓物聯網設備開口說話
隨著物聯網設備普及，許多智慧家庭產品與邊緣裝置都需要具備語音功能。然而，高品質的神經網路語音合成（TTS）通常運算量龐大、動輒需要數百 MB 的模型權重，這對記憶體與算力受限的微控制器（MCU）而言，傳統模型往往難以負荷。
sanoTTS 正是為了解決這個瓶頸而設計。「sano」（सानो）在尼泊爾語中意為「微小」。它不是為雲端伺服器運算的大型模型，而是專注於讓微型設備能在本地、無 NPU 與無網路的環境下流暢發聲。
什麼是 sanoTTS？
sanoTTS 是一個專為終端設備設計的極致輕量化神經語音合成框架。它捨棄了常見的數百 MB 模型，採用高度壓縮與蒸餾架構，參數規模僅介於 294k 至 2.3M 之間（例如最小的 heart-nano 模型僅 294k 參數，int8 權重檔案大小僅約 337 KB）。這項技術讓 ESP32-S3 等成本僅約 3 美元的常見開發板能在本地完成語音渲染，無需依賴雲端網路或外部 API。
在品質表現上，sanoTTS 在小於 15M 參數等級的模型類別中，於 SCOREQ 與 UTMOS 語音自然度指標上高居領先地位，甚至超越了參數量更大的 TinyTTS（1.62M）以及 15M 參數規模的 Kitten TTS。
為什麼這很重要？
這項技術帶來了兩項直接優勢：隱私與超低延遲。
- 隱私保護：由於語音合成完全在本地端完成，文字與音訊資料不必上傳至雲端伺服器，對重視隱私的智慧家庭應用至關重要。
- 零網路延遲：處理過程不依賴網路連線，回應時間幾乎是瞬時的，解決了傳統智慧音箱常見的網路卡頓與離線失靈問題。
圖片來源: sanoTTS — thirty tiny voices, sixteen languages, browser + $3 chip
硬體相容性與實測效能
sanoTTS 支援多種常見板卡與晶片，包括 ESP32-S3、STM32H7 系列（如 Nucleo-H755ZI-Q）、Teensy、Raspberry Pi RP2040 等：
- ESP32-S3：在啟用晶片預設的 Xtensa LX7 SIMD 核心加速後，實測 RTF（Real-Time Factor）低至 0.383，代表合成速度達實時語音的 2.6 倍（若使用純 C Scalar 指令則為 1.58，慢於實時）。
- Nucleo-H755ZI-Q：在 Cortex-M7 高效能板卡上，RTF 實測為 0.35，處理速度可達實時語音的 2.86 倍。
這代表裝置在合成語音時，CPU 負載遠低於處理器極限，能確保系統運作穩定不卡頓。
常見問題
記憶體與儲存需求高嗎？ 不高。以最微型的
heart-nano模型為例，完整 int8 權重僅需 337 KB 儲存空間；而主流語音模型在 fp16 精度下也僅約 1.5M 至 3 MB。大多數具備基本快閃記憶體的微控制器（MCU）皆可輕鬆勝任。支援哪些語言？ 瀏覽器網頁 Demo（WASM）目前支援 16 種語言、30 種音色（包含中文、英文、德文、法文、西班牙文、日文社群延伸版等）；
pip套件則內建 13 種語言、27 種音色。授權條款與使用門檻為何？
- 雙重授權機制：推理運行時（Inference Runtime）與語言綁定採用極度友善的 MIT 授權，方便開發者直接嵌入商業或閉源專案；而訓練工具鏈與 espeak-ng G2P 音素轉換模組則為 GPL-3.0 授權。
- 導入方式：除了提供完整的模型訓練與蒸餾工具鏈外，一般使用者亦可透過 Home Assistant 整合、ESPHome 組件或微控制器預編譯庫快速導入。
給開發者的建議
sanoTTS 提供從 Python（pip install sanotts）、網頁前端（npm install sanotts-web / WebAssembly）、Arduino / PlatformIO 到 Home Assistant 的完整整合工具鏈。若你的 DIY 專案或智慧硬體產品需要本地語音輸出，可以參閱其 GitHub 儲存庫，查看詳細的板卡相容性對比與效能實測報告。
