Android离线语音合成实战：免费方案选型与避坑指南

共计 2317 个字符，预计需要花费 6 分钟才能阅读完成。

背景痛点

在移动开发中，离线语音合成（TTS）的需求越来越普遍。尤其是在以下场景：

• 弱网环境：如车载导航、野外作业等网络不稳定的场合
• 隐私保护：医疗、金融等敏感领域需避免语音数据上传
• 海外发布：某些地区无法使用 Google 服务（如华为海外机型）

商业方案的主要局限性：

• Google TTS 必须联网且依赖 GMS
• 阿里云 / 讯飞等收费方案成本高（按调用次数计费）
• 厂商预装 TTS 引擎普遍存在语音生硬、不支持自定义模型等问题

方案对比

测试设备：Redmi Note 11 Pro（Android 12）

关键结论：

• 轻量级首选：Flite（适合嵌入式设备）
• 多语言需求：RHVoice（支持 50+ 语言但体积大）
• 高音质场景：MaryTTS（支持 HMM 合成但延迟较高）

集成实战（Flite 为例）

第一步：Gradle 配置

android {
    defaultConfig {
        ndk {abiFilters 'armeabi-v7a', 'arm64-v8a', 'x86_64'}
    }
}

dependencies {
    implementation 'edu.cmu.cs.flite:flite:2.2.0'
    implementation 'edu.cmu.cs.flite:flite_voices:2.2.0'
}

注意：

• 必须指定 abiFilters 避免打包所有 CPU 架构导致 APK 膨胀
• flite_voices 包含默认中文语音模型（cmu_us_slt.flitevox）

第二步：NDK 兼容处理

在 src/main/jniLibs 下按架构放置.so 文件：

jniLibs/
├── arm64-v8a
│   └── libflite.so
├── armeabi-v7a
│   └── libflite.so
└── x86_64
    └── libflite.so

代码示例（Kotlin）

初始化引擎

class FliteEngine(context: Context) {private val handler = Handler(Looper.getMainLooper())

    // 使用 16bit PCM 保证兼容性（8bit 可能产生噪音）private val audioFormat = AudioFormat.Builder()
        .setEncoding(AudioFormat.ENCODING_PCM_16BIT)
        .setSampleRate(16000) // 16kHz 平衡质量与体积
        .build()

    init {
        // 异步加载避免 ANR
        Thread {System.loadLibrary("flite")
            handler.post {/* 初始化完成回调 */}
        }.start()}
}

播放队列管理

private val playQueue = LinkedBlockingQueue<String>()
private var isPlaying = false

fun speak(text: String) {playQueue.put(text)
    if (!isPlaying) {processNext()
    }
}

private fun processNext() {if (playQueue.isEmpty()) return

    isPlaying = true
    val text = playQueue.take()

    // 实际合成代码省略...

    audioTrack?.setPlaybackPositionUpdateListener(
        object : AudioTrack.OnPlaybackPositionUpdateListener {override fun onMarkerReached(track: AudioTrack) {
                isPlaying = false
                processNext() // 播完下一句}
        }
    )
}

性能优化

预加载模型

在 Application.onCreate 预初始化：

class MyApp : Application() {val ttsEngine by lazy { FliteEngine(this) }

    override fun onCreate() {super.onCreate()
        // 触发懒加载
        ttsEngine.hashCode()}
}

采样率对比测试

推荐：

• 导航类应用：16000Hz（延迟敏感）
• 朗读类应用：22050Hz（音质优先）

避坑指南

1. 版权合规
2. 使用 Flite 自带的 cmu_us_slt 模型可商用

3. 第三方模型需确认 LICENSE（如 VITS 模型需单独授权）

4. 线程安全

5. 合成操作必须放在子线程

6. 使用 AtomicBoolean 控制播放状态

7. Android 12 限制

8. 后台播放需添加权限：

   <uses-permission android:name="android.permission.FOREGROUND_SERVICE" />

9. 启动前台 Service 时传递 NOTIFICATION_ID

延伸思考

进阶优化方向：

1. 使用 ONNX Runtime 替换原始模型推理
2. 将 Flite 模型转换为 ONNX 格式

3. 实测可降低 20% CPU 占用（但增加 3MB 体积）

4. 混合合成策略

5. 常用短句使用 Concatenative 合成（拼接录音片段）

6. 长文本使用 Parametric 合成（参数生成更灵活）

7. 动态降采样

8. 根据设备剩余内存自动调整采样率
9. 低内存设备切换为 8000Hz 模式

通过合理选型和优化，完全可以在免费方案上实现接近商业产品的 TTS 体验。关键在于根据实际场景权衡音质、延迟和资源消耗这三要素。