端侧语音合成实战：用 Piper 让应用离线开口说话

2026-08-07 约 1674 字预计阅读 4 分钟

为什么要在端侧跑语音合成

上一篇《端侧语音识别实战》解决了"听懂"，这篇解决"说话"。语音合成（TTS）同样有云端方案解决不了的问题：儿童故事机、导航提示、无障碍朗读、本地语音助手，要么没网，要么把文本上传云端合成既花钱又泄露内容——刚输入的文字、个人笔记、聊天记录都是敏感数据。

端侧 TTS 的思路和端侧 ASR 一致：把模型压缩到几十 MB，直接在设备 CPU 上合成。2026 年的当下，Piper 是这条赛道上最成熟的选手。

Piper 是什么

Piper 是一个本地神经网络 TTS 引擎：

模型用 VITS 架构训练，导出成 ONNX，用 onnxruntime 推理，不依赖 GPU
文本转音素用 espeak-ng，因此支持 40 多种语言，包括简体中文
每个音色只需两个文件：一个 .onnx 模型（几十 MB）加一个 .onnx.json 配置

维护现状（2026 年核实）：原仓库 rhasspy/piper 已归档，开发迁移到 Open Home Foundation 维护的 OHF-Voice/piper1-gpl（Home Assistant、NVDA 屏幕阅读器都在用它），安装方式不变：

1

pip install piper-tts

音色从 Hugging Face 的 rhasspy/piper-voices 仓库下载，中英文各推荐一个典型音色：

en_US-lessac-medium：英文，onnx 文件约 63 MB
zh_CN-huayan-medium：中文，onnx 文件约 100 MB（具体大小以仓库实际为准）

三分钟跑通 CLI

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


# 下载音色（模型 + 配置两个文件都要）
wget https://huggingface.co/rhasspy/piper-voices/resolve/v1.0.0/en/en_US/lessac/medium/en_US-lessac-medium.onnx
wget https://huggingface.co/rhasspy/piper-voices/resolve/v1.0.0/en/en_US/lessac/medium/en_US-lessac-medium.onnx.json

# 一句话合成
echo 'Welcome to the world of speech synthesis!' | \
  piper --model en_US-lessac-medium.onnx --output_file welcome.wav

# 中文 + 调速（length_scale 越大越慢，默认 1.0）
echo '你好，我是运行在你设备上的语音助手。' | \
  piper --model zh_CN-huayan-medium.onnx --length_scale 1.1 --output_file hello.wav

Python 集成：几行代码合成

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


from piper import PiperVoice

voice = PiperVoice.load("zh_CN-huayan-medium.onnx")

# 合成到 WAV 文件
voice.synthesize("离线合成，音频不出设备。", "hello.wav")

# 也可以合成进文件对象，方便接播放库
with open("hello.wav", "wb") as f:
    voice.synthesize("故事机该给孩子讲什么？", f)

PiperVoice.load 会初始化好 onnxruntime 推理会话，之后每次合成都是纯 CPU 计算，无网络请求。批量文本逐句调用即可；多线程调用时注意控制 onnxruntime 的线程数（num_threads），避免抢满 CPU 导致应用其他任务卡顿。

中文合成踩坑

espeak-ng 的音素化对中文支持有限，数字、英文、符号混排时读音会怪。最简单的兜底方案：合成前做一次文本规范化：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


import re

digit_map = {"0": "零", "1": "一", "2": "二", "3": "三", "4": "四",
             "5": "五", "6": "六", "7": "七", "8": "八", "9": "九"}

def normalize_zh(text: str) -> str:
    # 简单方案：阿拉伯数字先转中文，espeak-ng 读中文数字更稳
    return re.sub(r"\d", lambda m: digit_map[m.group(0)], text)

print(normalize_zh("3月5日"))  # 输出：三月五日

这个方案只处理数字，遇到"3G、5G"这类词要加白名单，正式产品建议直接用专门的中文文本正则化库。

给其他进程提供合成接口

Piper 自带 HTTP 服务，可以给 Flutter、Electron 等其他技术栈的进程提供合成接口：

1
2


python3 -m piper.http_server --model en_US-lessac-medium.onnx --port 5000
curl -s 'http://127.0.0.1:5000/synthesize?text=hello' -o out.wav

性能与选型

Piper 官方定位是 fast local。社区实测（非官方数据）：x86 桌面 CPU 上 medium 音色通常数倍于实时，树莓派 4 这类弱设备上 medium 接近实时、small 音色可超实时。对提示音、朗读这类场景完全够用。

项目	定位	一句话
Piper（piper1-gpl）	端侧轻量 TTS	本文主角，VITS + espeak-ng，几十 MB 模型，CPU 实时，Home Assistant 内置
sherpa-onnx	端侧语音全家桶	上一篇的主角，ASR 为主也带 TTS，适合与识别统一框架
Kokoro	高音质本地 TTS	82M 参数，音质接近商用水平，适合内容生成场景
edge-tts	在线免费 TTS	微软 Edge 朗读接口封装，音质好但要联网
CosyVoice / F5-TTS	本地大 TTS	支持音色克隆、表现力强，需要 GPU 或高端设备

小结

Piper 把离线语音合成做到了几十 MB 模型、纯 CPU、中文可用的程度。和 sherpa-onnx 组合，就能在自有设备上搭一套完整语音对话闭环：麦克风进来（ASR）到扬声器出去（TTS）全程零网络请求。对医疗、教育、个人助手这类隐私敏感场景，这是实打实的卖点。

目录