芯耀
与非AI
137
设备能联网，能采集数据，却常常沉默。报警发生了，提示只停在屏幕和串口里，人不在跟前就漏掉。让硬件开口说话，最轻量的办法不是接云端，而是塞一颗能把文字直接念出来的芯片。这类芯片叫 TTS 语音合成芯片，英文是 Text to Speech。本文从原理讲到选型，再落到真实应用，帮你一次看懂。
一、什么是TTS语音合成芯片
TTS 语音合成芯片是一种专用硬件，任务是把任意文本实时变成自然语音。它和另外两类语音芯片容易混淆，先分清边界。
录音芯片负责播放预先烧录好的固定音频，内容写死，不能临时改字。语音识别芯片做反向工作，把麦克风收到的声音转成文字或指令。TTS 芯片处在中间，接收文本，现场合成语音，内容随时可变。
一句话区分。录音芯片是录音与播放音频文件，识别芯片是听懂用户的声音并向MCU发出信号，TTS芯片是收到文字合成语音播报。
二、语音合成技术原理
TTS 芯片内部跑的是一套文本到声音的流水线，核心分四步。
文本预处理。芯片先分词，处理多音字，把数字、号码、时间、日期、度量衡符号规整成可朗读的中文。例如把 123 读成一百二十三，把 3.5 公斤读成三点五公斤。这一步决定念得准不准。
声学建模。预处理后的文本进入模型，生成基频、时长、能量等声学参数，也就是决定这句话的语调、停顿和轻重。
语音合成。声学参数经过声码器生成波形。早期用拼接法和参数法，靠音库拼接或规则生成，自然度有限。现在端侧芯片普遍内置轻量神经网络，合成更顺滑，接近真人。
音频输出。合成出的数字信号经 DAC 转为模拟信号，再通过功放驱动喇叭。有的模块板载功放，直接接喇叭就能响。
技术路线上，离线 TTS 把整套引擎固化在芯片里，不依赖网络。对比云端 TTS，离线方案延迟更低、断网可用、隐私更好、待机更省电，代价是音色自然度受芯片算力和存储限制。对报警、播报、家电提示这类场景，离线芯片足够自然，还更可靠。
三、TTS芯片的关键指标
延迟。从收到文本到出声的时间，端侧芯片通常几十毫秒，云端在弱网下可能几百毫秒甚至更久。报警场景里，这几秒差的就是安全。
功耗。待机靠深休眠，优秀芯片可做到微安级。例如唯创知音 WT3000T 深休眠功耗小于 20 微安，适合电池和长期在线的 IoT 设备。
音质。行业用 MOS 平均分衡量，好芯片能到 4.0 以上。音频格式支持 MP3、WAV，码率覆盖 8 到 320 kbps。
编码。中文文本涉及编码，常见 GB2312、GBK、UTF-8，选型时要和主控的字符串编码对上，否则乱码。
封装与音量。小封装如 QFN32 四乘四毫米，方便塞进紧凑主板。音量一般多级可调，WT3000T 提供 31 级。
固定语音。部分型号内置一段固定提示音空间，批量客户可定制。WT3000T 的 T8 版本预留 30 秒，T3 版本预留 500 秒。
四、选型要点
看接口。主流是 UART 串口，默认波特率多为 9600，主控发文本即可，接线简单。需要高保真可看 I2S、SPI。
看单帧上限。一次能发多少字受协议帧长度限制，超长文本要分帧。WT3000T 单帧文本最多 2016 字节，长内容按标准调用分多次发。
看编码匹配。主控是 UTF-8 字符串时，要转成芯片支持的编码再发。
看功耗与封装。电池或长期在线设备盯深休眠电流，空间紧张盯封装尺寸。
看固定语音需求。若常有同一句提示，选带内置固定语音的型号，省去每次合成。
五、典型应用场景
智能家居。门铃有人按，设备念访客到了。燃气或烟雾报警，用真人声提醒开窗。洗衣机跑完，说一句衣服好了。
IoT 通知。设备联网收到消息，本地合成播报，不依赖云端账号和流量。
医疗器械。血压计、治疗仪播报读数和用药提醒，老人听得清。
车载与工控。倒车雷达提示、仪表读数播报、设备状态通知，断网也稳。
安防与自助终端。电梯报站、排队叫号、自助机向导，内容动态生成。
六、 WT3000T 方案
WT3000T 是一颗高集成度 TTS 语音合成芯片，内置 32 位处理器，主频最高 240MHz，封装 QFN32 四乘四毫米。控制只需 UART，默认波特率 9600，上电默认不播放，带 BUSY 状态脚判断忙闲。支持中文、英文字母及中英文混读，采用 GB2312 编码，单次合成最多 2K 字节，深休眠功耗小于 20 微安。
开发上，主控把文字按 7E 开头 EF 结尾的协议帧发出，芯片合成从 DAC 输出，BUSY 拉低表示正在念，回高表示空闲，据此排队不发重。模块板载功放，接喇叭即用，适合门禁、报警、家电、医疗等各类语音通知。
常见问题
TTS 芯片和录音芯片有什么区别。录音芯片放固定录音，内容写死。TTS 芯片现场把文本合成语音，内容随时可变。
离线 TTS 和云端 TTS 怎么选。断网要用、要低延迟、重隐私、长期在线，选离线芯片。追求最自然音色且不介意联网和费用，可用云端。
WT3000T 支持哪些文本。支持中文、英文字母，T8 与 T3 均支持中英文混读，T3 版本还可用标记实现英文字母的变速变调，内置文本智能识别可正确处理数字、时间、日期、度量衡。
GB2312 和 UTF-8 要怎么处理。芯片按 GB2312 编码接收，主控多为 UTF-8 字符串，发送前需做编码转换，否则乱码。
一颗 TTS 芯片能接多大喇叭。看芯片音频输出与模块功放规格，WT3000T 模块板载 PWM 功放，直接接喇叭即可，大功率外放需外加功放。
结语
TTS 语音合成芯片让硬件用很低的成本长出一张会说话的嘴。理解原理、盯准延迟功耗编码封装几个指标，选型就不难。
