昨天先完成了 Speech-to-Text，讓 AI 可以把使用者說的話轉成文字。

今天要做的事情剛好相反：

Text
↓
TTS
↓
Audio
↓
Playback

讓 AI 不只能「聽懂」，也能真正開口說話。

為什麼 AI Companion 需要 TTS？

如果要做一個高齡智慧健康陪伴系統，只透過文字回覆其實不太夠。

對部分高齡使用者來說，直接用語音互動會比一直閱讀螢幕上的文字更直覺。未來不論是日常陪伴、衛教內容，甚至提醒，都需要透過聲音自然傳達。

完整流程會逐漸變成：

使用者說話
↓
STT
↓
LLM
↓
TTS
↓
AI 說話

今天還沒有接上 LLM，所以先從 Terminal 手動輸入文字。

為什麼選 Kokoro 82M？

一開始我測試過 Qwen3-TTS 1.7B。

在目前這台 Mac 與測試設定下，Warm RTF 約為：

3.03

也就是生成 1 秒語音大約需要 3 秒，對即時對話來說還是偏慢。

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，而且不需要額外提供參考音訊。

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

RTF 小於 1，代表模型生成語音的速度比實際播放速度還快。

平均：

RTF = 0.0464

模型載入時間約為：

0.286 秒

目前即使還沒有使用 Streaming TTS，整段語音生成完成後再播放，等待時間也已經很短。

中文語音測試

除了速度，也測試了一般中文、數字、長句、標點與不同語速。

生成結果再透過 MLX Whisper 回聽，純中文測試得到：

CER = 0

這代表這批測試句在語音內容的可辨識度上沒有出現錯字。

另外測試：

speed = 0.9
speed = 1.0
speed = 1.1

三種速度都能正常生成。

如果未來主要提供給高齡使用者，我目前比較傾向：

speed = 0.9

讓語速稍微慢一些。

目前比較明顯的問題是中英文混合時，部分英文詞的發音仍然不夠穩定，之後可能需要在送進 TTS 前加入文字正規化。

今天完成了什麼？

Day 03 完成：

Text
↓
Kokoro 82M
↓
Audio
↓
Playback

目前一般聊天會先使用 Kokoro，優先追求低延遲。

而需要特定家人聲線的情境，則會另外使用 Voice Cloning。

下一步要測試：

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。