前一天先完成了 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 AI Companion，只透過文字回覆其實不太夠。

對部分高齡使用者來說，比起一直閱讀螢幕上的文字，直接用語音互動會更直覺。

未來不論是日常陪伴、提醒或衛教內容，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 手動輸入文字開始。

為什麼選 Kokoro 82M？

一開始我也測試過較大的 TTS 模型，但如果希望之後做即時語音互動，生成速度就會變得很重要。

因此這次選擇：

mlx-community/Kokoro-82M-bf16

Kokoro 模型相對小，可以透過 MLX 在 Apple Silicon 上本機執行，也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

這次一樣使用 RTF（Real-Time Factor）觀察 TTS 速度：

RTF = Inference Time / Audio Duration

當：

RTF < 1

代表生成速度比實際播放速度快。

這次測試幾種不同長度的中文句子，觀察：

• 推論時間
• 音訊長度
• RTF
• 模型載入時間

除了看生成速度，也可以確認短句和長句之間的差異。

中文語音測試

速度之外，也需要確認生成內容是不是清楚。

因此會測試：

• 一般中文
• 長句
• 數字
• 標點
• 不同語速
• 中英文混合

目前中文句子的表現相對穩定，但中英文混合時，部分英文詞的發音可能比較不自然。

之後可以考慮在送進 TTS 前，先加入文字正規化。

語速也會影響使用體驗

這次也會測試不同語速，例如：

speed = 0.9
speed = 1.0
speed = 1.1

如果未來主要應用在高齡使用者，我目前會比較傾向稍微降低語速，讓語音更容易聽清楚。

不過這部分還是需要後續實際測試，不能只靠單一設定決定。

今天完成了什麼？

Day 03 完成：

Text
↓
Kokoro 82M
↓
Audio
↓
Playback

到這裡，AI Companion 已經有兩個最基本的語音能力：

Day 02
語音 → 文字

Day 03
文字 → 語音

下一步想再往前一步：

如果提供一小段真人錄音，AI 能不能用相似的聲線說出新的內容？

Day 04 準備進入 Voice Cloning。