昨天先完成了 Speech-to-Text，讓 AI 可以把我說的話轉成文字。

今天要做的事情剛好相反：

Text
↓
TTS
↓
Audio
↓
Playback

讓 AI 可以真正「開口說話」。

從文字變成聲音

如果要做一個可以自然互動的 AI Companion，只透過文字回覆還不夠。
尤其這次以高齡陪伴為主要情境，相比一直閱讀畫面上的文字，直接用語音互動會更加直覺。

這時就需要 TTS（Text-to-Speech），也就是把文字轉換成語音。

例如輸入：

你好，今天過得怎麼樣？

會經過：

Text
↓
TTS Model
↓
Audio
↓
Playback

未來完整流程則會是：

使用者說話
↓
STT
↓
LLM
↓
TTS
↓
AI 說話

今天還沒有接 LLM，因此先從 Terminal 手動輸入文字。

為什麼選 Kokoro 82M？

一開始我測試過 Qwen3-TTS 1.7B，在目前的 Mac 與測試設定下，Warm RTF 約為 3.03。
也就是生成 1 秒語音，大約要花 3 秒，對即時聊天來說太慢。

因此這次改測：

mlx-community/Kokoro-82M-bf16

Kokoro 只有 82M，可以透過 MLX 在 Apple Silicon GPU 上本機執行，而且不需要參考音訊，只要指定文字與聲線就能直接產生語音。

目前使用：

zf_xiaoxiao

作為預設中文聲線。

第一版 TTS Demo

執行：

.venv-kokoro/bin/python -m app.tts.kokoro_cli \
  --text "你好，今天過得怎麼樣？"

流程：

輸入文字
↓
Kokoro 82M
↓
產生 WAV
↓
自動播放

也可以調整聲線與語速：

.venv-kokoro/bin/python -m app.tts.kokoro_cli \
  --text "今天有記得吃飯嗎？" \
  --voice zf_xiaoxiao \
  --speed 0.9

實測生成速度

這次使用 RTF（Real-Time Factor） 量測生成速度：

RTF = Inference Time / Audio Duration

當：

RTF < 1

代表語音生成速度比實際播放速度快。

實測結果：

平均：

RTF = 0.0464

也就是生成 1 秒語音，大約只需要 0.046 秒。

模型載入時間也只有：

0.286 秒

因此目前即使不使用 Streaming TTS，整段生成完再播放，等待時間也已經很短。

中文測試

除了速度，也測試了一般中文、數字、長句、標點與不同語速。
生成的音訊再透過 MLX Whisper 回聽，純中文測試結果：

CER = 0

代表這批測試句沒有出現文字辨識錯誤。

另外測試：

speed = 0.9
speed = 1.0
speed = 1.1

三種速度都可以正確生成。
如果之後主要提供給高齡使用者，我目前比較傾向使用：

speed = 0.9

讓語速稍微慢一點。

目前比較明顯的問題是中英文混合，英文詞的發音容易出錯，因此之後可能需要在送進 TTS 前先做文字正規化。

今天完成了什麼？

Day 03 完成：

Text
↓
Kokoro 82M
↓
Audio
↓
Playback

Kokoro 在 Apple MLX GPU 上平均 RTF 約為 0.0464，已經能快速完成中文語音生成。

目前 TTS 架構也先決定拆成：

一般聊天
→ Kokoro 82M
→ 固定中文聲線

家人克隆聲線
→ Qwen3-TTS
→ Voice Cloning

一般聊天優先追求低延遲，需要家人聲音時，再使用 Voice Cloning。

下一步：Voice Cloning

現在 AI 已經可以快速把文字說出來，但目前仍然使用模型提供的固定聲線。

下一步要測試的是：

如果只提供一小段真人錄音，AI 能不能用相似的聲音說出新的內容？

Day 04 準備進入 Voice Cloning