一句话定义
端侧语音合成（On-device TTS） 指把文字转成语音的整个过程在设备本地完成：文本不出设备，音频不经过网络回传，播报的延迟只取决于本机算力。
它和「云端合成」不是同一件事的两种实现，两者的成本结构完全不同：云端按调用次数计费、延迟随网络抖动；本地一次性占用存储和 CPU，之后播多少次都是零边际成本。
它解决什么问题
门店里需要出声的地方比想象中多：称重台的「请将商品放在秤台上」、自助收银的扫码引导、排队叫号、后厨叫单、打烊前的提醒、导购屏的商品介绍。
这些场景有三个共性，正好是云端合成的软肋：
- 断网就哑。 门店网络断掉时，收银还能离线记账，播报却没了，收银员只能靠喊。
- 首字延迟不可控。 云端合成要走「上传文本—排队—合成—下载音频」，高峰期抖动直接变成顾客面前的空白。自助设备上超过一秒的静默，人就开始重复操作。
- 播报内容含敏感信息。 会员姓氏、消费金额、商品名称，逐条发到外部服务，等于把门店的经营细节按句泄露出去。
关键做法
- 把固定话术和变量分开。 「请刷卡」这类固定句子可以提前生成音频文件缓存，播放时直接播，不占推理算力；只有金额、商品名这部分变量才需要实时合成。真实门店里绝大多数播报属于前者，这一刀切下去，CPU 压力能降一个量级。
- 流式合成，按小段出声。 把整句切成短片段，合成一段播一段，首字延迟取决于第一小段而不是整句。这是 CPU 上做出「即时」观感的主要手段，代价是切分处的韵律不如整句自然。
- 声码器往往是真正的瓶颈。 把声学特征变成波形的那一级通常比前面的模型更吃算力，量化、换轻量声码器、降采样率是常见的三档取舍。
- 音色克隆是资产，不是配置。 克隆某位员工或主播的音色，需要明确授权、约定期限，并且要能真正删掉——模型文件里带的是这个人的声纹特征，删不干净就是长期风险。
用不上的时候
- 播报量很小。 一天几十句的店，本地模型的存储和适配成本远高于云端按次调用。
- 对音质要求高于实时性。 广告配音、品牌人声、宣传片这类内容，云端大模型的质量优势明显，也不需要即时。
- 需要长尾语种和多音色。 端侧模型体积受限，覆盖面上打不过云端，小语种尤其如此。
- 店里本来就很吵。 环境噪声大的场所，音质的边际收益很低，把预算花在功放和喇叭位置上的效果更直接。
参考
- GitHub pnnbao97/VieNeu-TTS（https://github.com/pnnbao97/VieNeu-TTS）：越南语的端侧语音合成项目，主打即时声音克隆、CPU 实时推理与 48kHz 输出，是一个「本地实时合成」形态的公开实现样例。
延伸阅读
- 收银台的播报声，要不要搬回本地 —— 这篇讲的是这件事对门店意味着什么。
相关词条
火眼识别提供端侧视觉引擎与设备管理平台，相关方案见 火眼识别官网。