来源：GitHub (★703)
URL: https://github.com/Ampixa/sanoTTS
精读日期：2026-09-17
模型：DeepSeek V4 Flash（AI 生成，人工未审校）
正文获取：全文

一、核心论点/事实

  • sanoTTS 是一个约 1.4M 参数的神经 TTS，可在约 3 美元的 ESP32-S3 芯片或浏览器中运行，在 sub-15M 参数级别中 SCOREQ/UTMOS 指标领先。
  • 在 ESP32-S3 上实现实时合成，比实时快 2.6 倍（使用 Xtensa LX7 SIMD 内核）；同一板上的标量 C 版本为 1.58，即慢于实时。
  • 模型体积：int8 为 337 KB（heart-nano），fp16 约 3 MB，fp32 为 5.5-8.7 MB；零依赖（内置 espeak-ng 音素化器）。
  • 支持 13 种语言、27 个语音包；Nepali、Hindi、Chinese 目前仅限浏览器端。
  • 各语言约 1.56M 参数，其中 8 个语言另有约 511k 参数变体。
  • Whisper 词错误率（WER）在域外文本上为 0.038（葡萄牙语）到 0.392（罗马尼亚语），基于每语言 16 句的可懂度测试，非自然度，且未进行听感测试。
  • 浏览器端完全客户端运行（WebAssembly，无服务器），gzip 后约 700 KB；Kokoro 参数量为最大语音（heart，2.27M）的 36 倍，为最小语音的 279 倍。

二、方法/架构拆解

  • 架构：纯 numpy 推理，无 torch、无 onnxruntime；包含 CLI + 库；浏览器端使用 espeak-ng-in-WASM 音素化器 + 各语音自有神经栈。
  • 实现要点：
  • 语音包首次使用时下载，浏览器端下载后将 fp16 扩展为 fp32 并校验 sha256。
  • 浏览器端 wasm 运行时 gzip 后约 700 KB（espeak-ng G2P 未压缩约 2.5 MB，gzip 后约 660 KB；声学/解码器 wasm 另加约 40 KB）。
  • 质量主要取决于解码器：解码器从 1.09M 增至 1.84M 参数可显著提升质量。
  • 基准与评测：
  • 使用 24 句多样化测试集，采用无参考指标套件（SCOREQ / UTMOS 为自然度预测器，DNSMOS-SIG 为信号质量，越高越好）。
  • 参数计数为推理时参数；已发布文件大小：sanoTTS amy 2.8 MB fp16，TinyTTS 3.5 MB fp16，Kokoro 约 330 MB fp32。
  • 在 DNSMOS-SIG 上，TinyTTS 以 0.01 优势领先；Kitten TTS 参数量为 10 倍但 SCOREQ 低整整 1 分。
  • 证据文件：experiments/evidence/ood-tatoeba-20260908.json。

三、值得注意的局限/争议

  • 作者承认的：
  • WER 仅衡量可懂度（基于每语言 16 句），不衡量自然度，且未进行听感测试。
  • fp32 模型未转换为 fp16，仅因已发布输出为 fp32 输出。
  • 与 Kokoro（82M，60 倍大）的差距不声称能弥补，前沿模型仅在约 15M 级别才拉开差距。
  • 无单一指标能说明全部问题（如 DNSMOS-SIG 上 TinyTTS 略优）。
  • AI 判断的：
  • 评测集规模较小（24 句），统计显著性存疑。
  • 浏览器端 fp16 扩展为 fp32 可能引入精度损失或性能开销，尽管有 sha256 校验。
  • 多语言支持中部分语言仅限浏览器，可能限制嵌入式场景的通用性。
  • 未提及训练数据来源、训练成本及伦理考量（如语音克隆风险）。

四、与 RRLab 研究的关联

  • Harness 工程：可借鉴其零依赖、纯 numpy 推理的轻量级部署思路，以及浏览器端 WASM 客户端运行模式，适合边缘设备或隐私敏感场景的 Harness 设计。
  • 多模型协同：sanoTTS 与 Kokoro、TinyTTS 等不同规模模型的对比，为多模型协同中的模型选择与路由提供参考（如按设备能力动态选择语音包）。
  • 模型评测：其无参考指标套件（SCOREQ/UTMOS/DNSMOS-SIG）与 WER 结合的多维度评测方法，可借鉴到 RRLab 的模型评测体系中，强调可懂度与自然度的区分。
  • Agent 落地：极低资源占用（337 KB int8）和实时性（2.6 倍实时）使其适合作为 Agent 的语音输出模块，尤其在嵌入式或浏览器端 Agent 场景。
  • AI 原生产品：浏览器端完全客户端运行、无服务器、无上传的特性，为 AI 原生产品的隐私保护和低延迟交互提供了范例；其语音包懒加载和 sha256 校验机制可借鉴到产品工程中。

本笔记由 DeepSeek V4 Flash 自动生成，未经人工审校。原文链接：https://github.com/Ampixa/sanoTTS