文字转语音 TTS——机器怎样把文字变成声音 让屏幕里的文字开口说话

1. 先做一件事：让它开口

烧录 demo01_tts_player（需要 WiFi 和密钥）。屏幕上有四句话，点一下第一句——板子开口了。

先别激动，做三件事：

1. 把屏幕底部那行小字抄下来：字数 声音 合成 播放，四个数字一个都别漏；
2. 再点最长的句子，把这四个数字也抄下来；
3. 对比两行：字多的句子，哪些数字变大了？

这四个数字就是今天的证据链：发出 N 个字 → 收回 N 字节声音 → 云端合成 N 毫秒 → 喇叭播放 N 毫秒。

任务 1：四句证据链表

2. 反着用上一课的账：字节能念多久

上一课算过：喇叭吃的数字，每秒 16000 个 × 每个 2 字节 = 每秒 32000 字节。上一课是"说了几秒 → 多少字节"，这一课反过来：收回多少字节 → 能念几秒。

算一算（写在纸上）： 收回 59200 字节 → 能念 59200 ÷ 32000 = ______ 秒？ （答案：约 1.85 秒。对照你抄的实测"播放"数字——板子真的念了差不多这么久。字节就是声音的长度。）

再算一笔：收回 89280 字节能念多久？（答案：约 2.79 秒。）和实测对照，对得上吗？

3. 三步，文字变声音

你点的那一下，背后是一场下行接力。注意和上一课对比——同一条链子，方向反了：

两课对偶表（重点，考试就考这个感觉）

注意：全程没有人"念"了这句话。云端不理解句意，它照字面把声音做出来。

4. 喇叭只认数字：喂饭比喻

喇叭是个只认数字的婴儿：喂它数字，它就振动；给它文字，它不张嘴——它不认识字。所以板子要把云端寄回的声音数字一勺一勺喂给它，每次一小块、速度要稳，声音才不抖。

云端是照字面做菜的大厨：递字条、收回声音数字。它不理解菜谱（句意），只照字面做。

⚠️ 比喻的边界：字里面没有藏着声音。你没法从"床"这个字里解压出一段声音——文字和声音数字是两种东西，中间隔着云端的"制作"。 想通了这一点，两个现象就通了：

• 为什么必须联网？ 声音要云端现做，本地没得解压。
• 为什么同一句话每次念得几乎一样？ 大厨每次用同一套做法，不是放同一盘录音。

5. 动手做实验

实验一：五种声音（demo02）

烧录 demo02_voice_knob。固定念"床前明月光，疑是地上霜"，拧旋钮，每次先预测再听：

盯住第三、四行的字节：同一句 12 个字，念得快，字节数明显变少。念得快 = 声音短 = 字节少——上一课的账，这里用上了。

实验二：让它念没见过的话

把 demo01 的预置句子改成你自己编的怪话（比如带生僻字的），重新烧录再点。念出来了？跳过了？念成别的音？把现象记下来。如果喇叭里预先藏了句子，它不可能"没见过"。

实验三：拔掉 WiFi（拆台实验）

板子有电、有喇叭、句子就在屏幕上——断掉 WiFi，点句子。

做完把网连回去（不然 demo03 也做不了）。

6. 想自己看懂一点点代码：两个名字就够

打开 demo01_tts_player.ino（或问 AI 帮手），只看两个名字：

• textToSpeech：寄字换声音的那一棒。誊写文字 → 连同三个旋钮寄给百度 → 收回声音数字交给仓库。
• pcmBuffer：声音数字的家。上一课装出去换文字，这一课收回来喂喇叭——同一个仓库，一课出一课进。

中文伪代码（不用背）：

点一下句子：
    数一数有几个字
    textToSpeech()：
        文字誊写成安全字符（urlEncode）
        连同 per 发音人 / spd 语速 / pit 音调 寄给百度
        收到声音数字，存进 pcmBuffer
    playPcm()：
        一勺一勺写进喇叭（每秒 16000 个）
        喂完多等一小会，让喇叭咽下最后一口
    屏幕报告：字数 声音B 合成ms 播放ms

7. 把两课连起来：会说话的便签（demo03）

烧录 demo03_talking_notes。点底部按钮说 1~3 秒，你的话变成文字便签（24 课）；点任意一条便签，板子把它念出来（25 课）。

试一试：录一句"下课去打球"，然后点它——你说的和它念的，走的是同一个云端、两个相反的方向。这就是第 28 课语音助手的雏形：听懂你 → 想一想 → 说出来。

💡 demo03 里便签还是存在内存里，断电就丢。想不丢？把文字写进 TF 卡（第 10/14 课学过），这就是挑战任务第三题。

8. 换个思路：把"念"搬进板子（demo04 本地 TTS）

前面几节都在讲"念在云端"。现在反着来：把大厨请进板子。

烧录 demo04_zh_local_tts——它不需要 WiFi、不需要密钥，根本不联网。触摸屏幕，板子开口了；再拔一次网线试试：照样说话。

为什么它不用网？ 因为"合成"这一步就发生在板子自己身上：文字 → 板子里的"小嗓门"（ESP-TTS 引擎 + 烧在 flash 里的音色模型）→ 现场做出声音 → 喂喇叭。没有寄出、没有寄回，接力少了两棒。

云端 vs 本地：一张表说清

⚠️ 但喇叭还是那个只认数字的婴儿：本地 TTS 同样要把声音数字一勺一勺喂给它。变的只是"声音从哪来"——一个在云端做、一个在板子做，做出来的都是同一串 PCM 数字。

实验四：串口说怪话

demo04 支持从电脑串口（115200）发一行中文，板子立刻念出来。试试：

1. 让它念你的名字；
2. 念一句"床前明月光"——和 demo02 云端念的比一比，哪个更像真人？
3. 念一个生僻字——对比实验二的"云端大厨翻车"，本地小嗓门也会翻车吗？

结论：云端 TTS 和本地 TTS 都会"做声音"，只是大厨住址不同。选谁？要音质、要换音色 → 云端；要离线、要零成本、要隐私 → 本地。真实产品里两个常常搭配用。

9. 选读：为什么不要 MP3？

有人会问：手机里存的不都是 MP3 吗？为什么这课不用？

MP3 是压缩格式——把声音压小了省空间，但喇叭不认，必须先"解压"回原始数字才能播。解压要专门的解码库、要更多内存，对我们这块小板子是一笔大开支。

这课我们让云端直接寄回 PCM（喇叭认的原始数字），收来就能喂。代价是数据大：念 1 分钟的声音约 1.9MB。所以适合"念一句话"，不适合"存一整首歌"。

一句话总结：MP3 省地方但要解压，PCM 占地方但开袋即食。 我们念的是短句，选开袋即食。

10. 自检小测（点开对答案）

11. 挑战任务

1. 字节预言家：在 demo01 里挑两句长度不同的句子，先在纸上算出它们各收回多少字节（提示：先估念的秒数 × 32000），再点开对照，看误差多大。
2. 错误收藏家：故意找 3 句会让大厨"翻车"的话（生僻字 / 多音字 / 中英夹杂），把每句的翻车现象记下来，并归因。再拿同样的 3 句喂 demo04，比较"云端大厨"和"本地小嗓门"谁翻车翻得更有意思。
3. 断电不丢的便签：给 demo03 想一个办法，让便签重启后还在（提示：第 10/14 课 TF 卡），把思路写给 AI 帮手看。
4. 离线版语音助手（挑战）：把 demo04 的"串口说话"接到第 23 课的本地大模型回答上——不联网，板子"听懂→想一想→说出来"全本地完成。这才是真·离线 AI。