近日尼泊爾開發者 Ashish Thapa 創辦的 Ampixa Labs 開源了 sanoTTS，這是一個參數量從 294K 到 2.27M 的微型神經語音合成家族，能在一顆約 NT$100 的 ESP32-S3 微控制器上即時執行，也能透過 WebAssembly 直接在瀏覽器裡跑，全程不需要雲端伺服器、GPU 或 NPU。「sano」在尼泊爾語中是「小」的意思。這個命名精準描述了專案的核心哲學：把神經網路 TTS 壓縮到前所未有的體積，讓任何裝置都能獨立發聲。
技術架構：從 Piper 教師模型蒸餾而來
sanoTTS 的技術路線是知識蒸餾。團隊以 Piper（一個開源的 VITS 架構 TTS 系統）作為教師模型，透過條件變分自編碼器（CVAE）目標函數，將大型模型的語音合成能力壓縮到極小的學生模型中。訓練過程包含持續時間、潛在介面、波形、對抗和聯合蒸餾等多項損失函數。
部署時的完整語音合成管線，從音素辨識（espeak-ng，已編譯為 WebAssembly，僅 275KB）到聲學模型再到波形重建，在 ESP32-S3 上生成 4.54 秒語音只需 1.02 秒，即 0.22 倍即時速度，比播放速度還快。同一套 C 語言核心在沒有浮點運算單元的 ESP32-C3 上也能以 5.72 倍即時速度離線執行。
論文作者表示，這是目前已知最小的、能在通用微控制器上即時執行的完整音素到波形神經 TTS 圖，且不依賴神經加速器。
跑分數據：15M 參數以下的自然度冠軍
在一份涵蓋多個小型 TTS 系統的基準測試中，sanoTTS 的 amy 聲音（1.46M 參數）在 SCOREQ 和 UTMOS 兩項自然度預測指標上均拿下 sub-15M 等級最佳成績：
- sanoTTS amy（1.46M 參數）：SCOREQ 4.13、UTMOS 4.10
- TinyTTS（1.62M 參數）：SCOREQ 3.94、UTMOS 3.65
- Inflect Nano（4.63M 參數）：SCOREQ 3.81、UTMOS 3.65
- Kitten TTS nano（15M 參數）：SCOREQ 3.02、UTMOS 3.58
- Kokoro（82M 參數）：SCOREQ 4.89、UTMOS 4.52
sanoTTS 用比 TinyTTS 更少的參數拿到了更好的自然度分數。Kokoro 雖然全面領先，但它的參數量是 sanoTTS 最大聲音的 36 倍、最小聲音的 279 倍。在極小體積的限制下，壓縮到這個品質水準是相當突出的工程成果。
團隊同時發現，影響語音品質的關鍵瓶頸在解碼器而非輸出表示。同一個 amy 聲音，將解碼器從 1.09M 參數加倍到 1.84M 參數，SCOREQ 從 3.70 提升到 4.16。
從日本到墨西哥：社群自發擴充語言
sanoTTS 原生支援英語、尼泊爾語、印地語、越南語、印尼語和中文共 6 種語言、11 種聲音。但社群的擴充速度比官方更快。
日本開發者 @nnn112358 將 sanoTTS 移植為日語版本 sanoTTS-jp，並整合進 StackChan，一個搭載在 ESP32 上的萌系機器人臉。他在 X 上展示了即時語音合成效果，並指出 sanoTTS-jp 支援串流處理，「文章再長也不會增加延遲，甚至可以做出無限說話的 StackChan」。 另一位日本開發者 @ayousanz 製作了 8MB 和 2MB 兩種日語模型規格，正在提交合併請求。
Stackchan-idf と SanoTTS_jp をくっつけてみました。 pic.twitter.com/xdLeFALzyD
— nnn (@nnn112358) September 7, 2026
在拉丁美洲，@MXZKARTA 自行從 Piper 的墨西哥西班牙語教師模型蒸餾出約 1.5M 參數的墨西哥西語聲音，並處理了 Oaxaca、Tlaxcala 等墨西哥地名以及當地數字和貨幣格式的 G2P 正規化。
¡SanoTTS ya habla español mexicano! 🇲🇽🗣️
El modelo TTS neuronal más pequeño (~1.5M parámetros, corre hasta en un chip de $3 y en el navegador vía WASM) ahora tiene voz mexicana 🌵.
🔊 Descargá la voz: https://t.co/N0GYeCTdSB 🔧
Código (soporte español):… https://t.co/gYbXBZsK4U pic.twitter.com/VPV7nmVIph
— zkarta (@MXZKARTA) September 8, 2026
安裝與使用方式
sanoTTS 提供多種使用管道：
- Python：pip install sanotts，透過 CLI 或程式庫呼叫，聲音模型首次使用時自動從 Hugging Face 下載
- 網頁：npm install sanotts-web，或直接複製靜態檔案部署，全程客戶端執行
- Arduino / PlatformIO：在 ESP32-S3 上直接編譯執行，透過 GPIO 輸出到 LM386 放大器和揚聲器
- 瀏覽器體驗：ampixa.github.io/sanoTTS 提供即時 Demo，無需安裝任何東西
每個聲音模型的權重從 337KB（heart-nano，int8 量化）到數 MB 不等，純 numpy 推理，不需要 PyTorch 或 ONNX Runtime。
sanoTTS – GitHub
限制與適用場景
必須誠實說明的是，sanoTTS 的音質存在明顯代價。論文中的嵌入式版本（567K 參數）在 SCOREQ 上只有 2.54，遠低於教師模型的 4.68。中文語音目前仍處於初步階段，@realfxw 的評測也證實了這一點。
sanoTTS 適合的場景是那些對音質要求不苛刻、但對體積和離線能力有剛需的應用：工業設備的語音提示、低功耗玩具、物聯網裝置的本地播報、以及需要在瀏覽器中提供基本語音回饋的網頁應用。在這些場景中，337KB 權重和零雲端依賴的組合是其他方案無法提供的。
