语音播报的两种核心方案详解

从地铁站的“下一站即将到达”，到快递柜的“请取走您的包裹”，从智能手环的“心率异常提醒”到厨房秤的“当前重量500克”，语音播报已经渗透到我们生活的方方面面，成为嵌入式设备、物联网产品、移动APP最常用的交互功能之一。很多开发者刚接触语音播报，会纠结是用硬件模块还是软件合成、怎么实现中文播报、怎么平衡成本和效果，今天我们就从方案选型到代码实现，把语音播报功能的实现逻辑讲清楚，不管是做嵌入式项目还是移动应用，看完都能找到适合自己的实现方案。

一、语音播报的两种核心方案：怎么选适合自己的?

目前实现语音播报主要有两种技术路线：预先录制语音切片+拼接播放，和在线/离线语音合成(TTS，Text To Speech)，两种方案各有优劣，适合不同的场景，我们先把两种方案的特点说清楚，你就能快速选型。

1. 预先录制方案：简单可靠，成本极低

预先录制方案的逻辑非常简单：把你需要播报的内容提前录好声音文件，比如“温度”“二十五”“摄氏度”，每个词汇对应一个音频切片，存放在设备的Flash或者SD卡里面，当需要播报“当前温度二十五摄氏度”的时候，把对应切片按顺序拼起来，依次播放就可以了。

这种方案的优点非常明显：实现简单，不需要复杂的算法，不需要联网，单片机就能做，成本非常低，一个几块钱的语音芯片就能搞定;音质清晰稳定，提前录好的声音效果可以做到非常好，不会有合成语音的机械感。

缺点也很明显：扩展性差，如果需要新增播报内容，就得重新录音重新烧录固件，不能播报任意文本;如果需要播报的内容很多，比如要播报所有数字，音频切片占用的存储空间会变大，不过对于常见的固定场景，几十上百个切片也就几百KB，完全能接受。

适合场景：播报内容固定的场景，比如公交车报站、工业设备告警、小家电状态播报、电子秤播报，这些场景内容都是固定的，只有数字、少数词汇组合，用预先录制方案足够，成本最低，效果最好。

2. 语音合成(TTS)方案：支持任意文本，扩展性强

语音合成方案就是直接把任意文本转换成语音播放，不需要提前录音，只要给文本，就能生成对应的语音，分为在线TTS和离线TTS两种：

在线TTS：把文本发送给云端服务器，服务器合成好语音之后返回来，设备直接播放，优点是合成效果好，不需要设备端有大的算力，缺点是必须联网，没有网络就用不了。

离线TTS：把TTS算法模型放在本地设备上，不需要联网就能直接合成，优点是不依赖网络，响应快，隐私性好，缺点是对设备算力有一定要求，模型占用存储空间大，成本比在线和预制方案高。

TTS方案的优点是支持任意文本播报，想要播报什么直接给文本就行，不需要提前准备音频切片，扩展性极强，适合内容不固定的场景;缺点是合成语音多少会有机械感，离线TTS对硬件要求高，成本也更高。

适合场景：需要播报任意内容的场景，比如智能音箱、导航播报、新闻阅读、物联网设备的自定义告警，这些场景内容不固定，必须用TTS方案。

总结一下选型逻辑：如果你的播报内容固定，优先选预先录制方案，简单便宜效果好;内容不固定，需要支持任意文本，再选TTS方案，能联网选在线TTS，不能联网选离线TTS。

二、嵌入式设备语音播报的常见实现方式

大部分做嵌入式开发的朋友，都是做物联网硬件、智能家居设备，我们说说嵌入式场景最常用的几种实现方式，从低成本到高性能都有：

1. 专用语音播报芯片：低成本方案首选

对于只需要固定内容播报的场景，用专用语音芯片是最省心的，比如常见的WTN5、BY8000、ISD1820这些芯片，几块钱到十几块钱就能买到，直接把提前录好的语音下载到芯片里面，单片机通过UART或者IO口控制芯片播放指定编号的语音，芯片自己集成了DAC放大电路，直接接个喇叭就能出声，不需要额外处理，非常适合新手做项目。

我们以最常用的WTN5系列为例，最简单的接线只需要四根线：VCC接3.3V或者5V，GND接地，TX接单片机的RX，RX接单片机的TX，然后接一个8欧0.5瓦的喇叭就搞定了。控制逻辑也非常简单，只需要发一条指令0xAA 0x01 0x00 0xBB，就能播放编号1的语音，不需要复杂的代码，新手半天就能调通。

这种方案的成本最低，开发最快，适合小家电、电子秤、红外感应门铃这些低端产品，缺点就是不能改内容，要改内容就得重新烧录语音到芯片，适合产品定型之后内容不变的场景。

2. 预制切片+MP3芯片解码：灵活度更高的方案

如果需要播报的内容比较多，或者需要更新语音内容，可以用MP3芯片加存储的方案，比如常见的VS1053、DFPlayer Mini，这些芯片支持解码MP3格式的音频，把提前切好的MP3语音文件存在TF卡或者Flash里面，单片机控制芯片按顺序播放指定文件，就能实现拼接播报。

比如需要播报“123号订单”，只要依次播放“一”“百”“二”“十”“三”“号”“订”“单”对应的MP3文件就可以了。这种方案比专用语音芯片灵活，想要更新语音内容，只需要换TF卡里面的文件就行，不需要重新烧录芯片，而且MP3压缩率高，存储几百个语音切片只需要几MB的空间，成本也很低。

DFPlayer Mini模块十几块钱就能买到，支持串口控制，直接接单片机就能用，还自带功放，不需要额外放大电路，电子爱好者做项目非常方便，很多开源的语音时钟都是用这个方案。

3. 单片机直接播放WAV：极简方案

如果你的单片机资源够，不需要太好的音质，其实可以直接用单片机IO口直接输出PWM，低通滤波之后接喇叭就能播放WAV格式的语音，不需要额外的语音芯片，成本能做到最低。比如STM32F1系列单片机，Flash够大，能存几十秒的语音，直接把WAV文件转成数组放在Flash里面，定时器中断不断输出PWM就能播放，适合对成本非常敏感的小产品。

缺点就是音质一般，占用单片机资源，存储大文件不方便，只适合语音短、成本敏感的场景。

4. 嵌入式离线TTS：任意文本播报方案

如果需要支持任意文本播报，又不能联网，现在很多中高端的MCU已经能跑轻量型离线TTS了，比如百度的PaddleTTS、瑞芯微的离线TTS SDK，还有很多第三方的轻量离线TTS算法，能放在STM32、Apollo3这些MCU上面运行，模型大小几MB到几十MB，就能实现基本的中文语音合成，虽然效果不如云端，但满足普通播报需求足够了。

现在很多AIoT芯片比如ESP32-S3，算力足够跑轻量离线TTS，成本也不高，很多智能门锁、智能开关现在都用离线TTS实现任意内容播报，不需要联网就能用，体验比预制切片好很多。

三、移动APP和PC端语音播报实现方式

如果你是做移动APP或者微信小程序，实现语音播报就更简单了，现在各大平台都有现成的API，直接调用就行：

1. 微信小程序/公众号：现成API直接用

微信小程序本身就提供了内置的TTS APIwx.createInnerAudioContext()配合TTS，或者直接用tts.js第三方库，也可以调用微信云端的TTS接口，生成语音之后直接播放，几行代码就能实现。比如做一个快递查询小程序，查询完成之后直接播报结果，非常简单，不需要自己搭服务器。

2. Android/iOS APP：系统自带TTS引擎

Android和iOS系统本身都自带离线TTS引擎，不需要自己集成，直接调用系统API就能把文本转成语音播放：

Android端用TextToSpeech类，初始化之后直接调用speak()方法就能播报，支持中文，不需要联网，系统自带的语音效果也不错，不需要额外集成模型;

iOS端用AVSpeechSynthesizer类，同样几行代码就能实现，非常方便。

如果需要更好的合成效果，也可以调用百度、阿里、腾讯这些第三方的在线TTS接口，效果比系统自带的更好，只需要联网就行。

3. 网页端：Web Speech API直接用

网页端现在浏览器已经支持标准的Web Speech API，不需要后端，直接用JavaScript就能调用，window.speechSynthesis.speak(new SpeechSynthesisUtterance("你好，欢迎使用语音播报"))，一行代码就能实现播报，非常方便，兼容性也很好，主流浏览器都支持。

四、代码实例：嵌入式端实现一个简单的数字语音播报

我们以最常用的51单片机+WTN5语音芯片为例，实现一个简单的温度播报功能，流程非常清晰：

提前准备语音切片：我们需要播报“当前温度”“X十X摄氏度”，提前录制好“当前温度”“零”到“九”“十”“摄氏度”这些语音，依次烧录到WTN5芯片里面，每个语音对应一个编号：1=当前温度，2=零，... 11=十，12=摄氏度。

接线：WTN5的VCC接5V，GND接GND，WTN5的TX接51单片机的RX(P3.0)，WTN5的RX接51单片机的TX(P3.1)，输出接一个8欧喇叭。

代码逻辑：当我们读取到温度是25摄氏度，需要播报的时候，先发送播放编号1(当前温度)，然后拆分温度25为“二十”“五”，分别发送播放编号“二”“十”“五”，最后发送播放编号“摄氏度”，就完成了播报。

核心代码非常简单：

// 发送播放指令给WTN5

void play_voice(uint8_t num) {

uart_send_byte(0xAA); // 帧头

uart_send_byte(0x01); // 播放指令

uart_send_byte(num); // 语音编号

uart_send_byte(0xBB); // 帧尾

}

// 播报温度函数

void broadcast_temp(uint8_t temp) {

uint8_t ten = temp / 10; // 十位

uint8_t one = temp % 10; // 个位

play_voice(1); // 当前温度

delay_ms(500); // 等待播放完前一段

if(ten > 0) {

play_voice(2 + ten); // 十位数字

delay_ms(500);

play_voice(11); // 十

delay_ms(500);

}

if(one > 0 || (ten == 0 && one == 0)) {

play_voice(2 + one); // 个位数字

delay_ms(500);

}

play_voice(12); // 摄氏度

}

调用broadcast_temp(25)就能自动播报“当前温度二十五摄氏度”，逻辑非常简单，新手也能看懂。

如果用ESP32加在线TTS，代码更简单，只要把文本发给百度TTS接口，拿到音频数据，用I2S播放就行了，不到一百行代码就能实现任意文本播报。

五、开发语音播报常见问题与优化技巧

开发语音播报功能，经常遇到一些小问题，我们整理了几个常见问题和解决方法：

1. 拼接播报不流畅，有停顿感

预先录制切片拼接的时候，每个切片之间停顿太长就会不流畅，解决方法：第一，录音的时候每个切片不要留多余的空白在开头和结尾，用音频编辑软件剪掉空白;第二，控制芯片播放的时候，前一个播放完立刻启动下一个，不要加太长的延时，根据切片长度调整延时，就能让播报更流畅。如果要求高，也可以把多个切片提前拼成一个完整的音频再播放，效果更好。

2. 声音小、有杂音

很多新手接喇叭之后声音很小，还有杂音，大部分是因为没有功放或者阻抗不匹配：语音芯片一般都自带集成功放，只要接对应阻抗的喇叭就行，一般是8欧0.5瓦，不要接4欧或者16欧的，会导致声音小或者烧芯片;如果用单片机PWM输出，一定要加低通滤波把PWM的高频载波滤掉，否则会有明显的高频杂音。

3. 离线TTS占用空间太大

很多嵌入式设备Flash空间不够，放不了大的TTS模型，可以用参数裁剪的轻量模型，现在很多第三方TTS都提供裁剪版，几MB就能实现中文合成，满足普通播报需求足够;也可以用混合方案：常用词汇用预制切片，生僻词用TTS合成，平衡空间和效果。

4. 在线TTS延迟高

在线TTS需要联网传输文本和音频，会有几百毫秒到几秒的延迟，如果对延迟要求高，可以用流式TTS，边合成边播放，能大幅降低启动延迟;或者把常用内容存在本地缓存，需要播报的时候直接读本地缓存，不用每次请求云端。

语音播报不是什么复杂的黑科技，现在已经有非常成熟的方案，从几块钱的语音芯片到免费的云端TTS接口，不同需求都能找到对应的实现方式，核心就是选对方案：内容固定选预制，低成本开发快;内容不固定选TTS，能联网选在线，不能联网选离线，按照这个逻辑选，基本不会错。

对于新手来说，可以先从语音芯片方案入门，几块钱买个模块，半天就能做出一个能播报的温度时钟，快速上手理解整个流程，再慢慢尝试更复杂的TTS方案。现在语音合成技术越来越成熟，离线TTS的效果也越来越好，成本越来越低，未来会有更多的设备用上语音播报，让人机交互更方便。