RK3588-S向けオフライン多声質TTS・Android SDK開発事例

プロジェクト背景と公開範囲

本案件はRK3588-S搭載端末でのオフライン文字音声変換を対象としました。Android 12、arm64-v8a、通常アプリ権限で、モデル梱包、ストリーミングコールバック、再生制御、男性音声と複数女性音声、AAR、Demo APKを実装し、実機WAVと性能記録を作成しました。顧客名や資産情報は除外し、コード、成果物、ログ、音声から確認できる事実だけを公開します。

開発目標

• ネットワークなしで端末内音声合成を実行する。
• Android AARから非同期ストリーミングPCMを提供する。
• 中国語男性音声と複数女性音声を選択可能にする。
• Demo、統合資料、ライセンス、WAV、試験記録を納品する。

端末内処理フロー

新しいテキストは実行中または待機中の古い要求を停止できます。SDK生成時に非量子化Kokoroモデルを読み込み、RK3588-S CPUで推論し、24 kHz・モノラル・PCM16 little-endianの分割データを返します。合成経路はクラウドTTSを呼び出しません。

1. ネットワークなしで端末内音声合成を実行する。
2. Android AARから非同期ストリーミングPCMを提供する。
3. 中国語男性音声と複数女性音声を選択可能にする。
4. Demo、統合資料、ライセンス、WAV、試験記録を納品する。

Android SDK納品

独立AARはEyeTtsSdk、TtsOptions、TtsStreamCallback、TtsAudioDataを提供します。replaceTextStreamAsync()は古い文章を停止して最新文章を合成し、stopTts()は合成と待機要求を停止します。出力はWAVではなく裸のPCMです。

TtsOptions options = new TtsOptions("zm_009", 1.0f, 1.0f);
tts.replaceTextStreamAsync(text, options, callback);
// callback.onAudioChunk(... TtsAudioData audio)

男性音声と実機検証

男性音声は実機確認済みです。公開対象はzm_009、speaker ID 58で、同一文を0.8x、1.0x、1.4xで生成しました。長さは5.549、4.363、3.086秒、すべて24 kHzモノラルPCM16でクリッピング0です。これは客観測定であり、主観音質評価ではありません。

Male zm_009 / 0.8x

Male zm_009 / 1.0x

Male zm_009 / 1.4x

複数女性音声

SDK 0.5.1は公式55種類の中国語女性音声名を割り当て、Demoは12候補を実機生成しました。zf_001を基準として公開します。異なる長さ、ピーク、ハッシュは重複出力でないことを示しますが、自然さや用途適合性の合格を意味しません。

Female zf_001 / 1.0x

ハードウェア・ソフトウェア環境

RK3588-S実測結果

同じ短い中国語文、4 CPUスレッド、SDK音量パラメータ1.0で測定しました。首段は最初のPCMまで、RTFは生成時間÷音声長です。出典は2026-08-05 Winge RK3588-S試験記録です。少数サンプルのため全文章・全機器の保証には使いません。

試験と納品物

• EyeAlgo TTS Android AARと対応Core AAR。
• 音声・速度・音量・再生・停止・WAV出力用Demo APK。
• Kokoro一覧とSHA-256記録、男女音声WAV、実機ログ、統合資料、第三者ライセンス。

38 test suites / 185 test cases / 0 failures / 0 errors / 0 skipped. AAR and APK builds passed.

適用場面

スマートグラス案内、オフラインOCR読み上げ、産業端末、装置警報、展示端末、閉域Android機器で評価できます。リアルタイム対話、長文読み上げ、量産利用は容量、メモリ、遅延、音声機器、正規化、安定性を別途検証します。

統合条件

• 実測環境はAndroid 12、arm64-v8aで、他環境は互換性確認が必要です。
• 非量子化AARは約354 MiB、Demo APKは約360 MiBです。
• 競合する実行ライブラリを除外し、AudioTrackを24000 Hz・モノラル・PCM16 little-endianに設定します。

制限と受入範囲

• 状態はCUSTOMER_TEST / NOT PRODUCTIONです。
• 長文、8時間安定性、全音声の主観順位、INT8比較、本番署名は未完了です。
• 首段P95とRTFは当初目標を通過していません。

公開技術資料

音声ID、Android設定、サンプルレートはsherpa-onnx Kokoro多言語資料を参照します。モデル出典とライセンスはKokoro-82M-v1.1-zhを参照します。上流資料は部品の特定に使い、本案件の受入証拠とはしません。

• sherpa-onnx Kokoro multi-lang v1.1
• Kokoro-82M-v1.1-zh

よくある質問

完全オフラインですか？

合成は端末内で実行し、クラウドTTSを呼びません。初期配布や業務同期の通信要否は導入方式によります。

男性音声は実機試験済みですか？

はい。zm_009を3段階の速度で生成し、遅延、時間、RTF、クリッピングを記録しました。長文と8時間試験は未完了です。

女性音声は何種類ですか？

55名称をSDKに割り当て、Demoで12候補を実機生成しました。全音声の主観合格を意味しません。

コールバックはWAVですか？

いいえ。24 kHzモノラルPCM16の裸データです。保存時にWAVヘッダーを付けます。

なぜ本番対応としないのですか？

長文、全音声、8時間安定性、本番署名、顧客音声経路の検証が未完了だからです。