TTS หลายเสียงออฟไลน์และ Android-SDK บน RK3588-S

บริบทของโครงการและขีดจำกัดการเผยแพร่

โปรเจ็กต์นี้เกี่ยวข้องกับการอ่านออกเสียงข้อความแบบออฟไลน์บนอุปกรณ์ RK3588-S ภายใต้ Android 12, arm64-v8a และสิทธิ์ของแอปปกติ, แพ็คเกจโมเดล, การโทรกลับแบบสตรีมมิ่ง, การควบคุมการเล่น, เสียงชายและหญิง, AAR และ APK สาธิต ได้ถูกนำมาใช้แล้ว ไฟล์ WAV และการวัดมาจากอุปกรณ์จริง ตัวระบุลูกค้าและสินทรัพย์ถูกลบออกแล้ว มีการเผยแพร่เฉพาะข้อเท็จจริงที่ตรวจสอบได้ผ่านโค้ด บิลด์ บันทึก และเสียงเท่านั้น

เป้าหมายการพัฒนา

• สร้างภาษาท้องถิ่นโดยไม่มีเครือข่าย
• นำเสนอการสตรีม PCM แบบอะซิงโครนัสบน Android AAR
• สามารถเลือกเสียงชายจีนหนึ่งเสียงและเสียงหญิงหลายเสียงได้
• ส่งมอบการสาธิต คู่มือการบูรณาการ ใบอนุญาต ไฟล์ WAV และเส้นทางการตรวจสอบ

เส้นทางการประมวลผลในเครื่อง

ข้อความใหม่สามารถหยุดใช้งานหรือรอคำสั่งซื้อเก่าได้ โมเดล Kokoro ที่ไม่ถูกปริมาณจะถูกโหลดเมื่อมีการสร้าง SDK และทำงานบน CPU RK3588-S บล็อกที่มีเอาต์พุต 24 kHz, โมโนและ PCM16 little-endian เส้นทางการสังเคราะห์ไม่ได้ใช้บริการ TTS บนคลาวด์

1. สร้างภาษาท้องถิ่นโดยไม่มีเครือข่าย
2. นำเสนอการสตรีม PCM แบบอะซิงโครนัสบน Android AAR
3. สามารถเลือกเสียงชายจีนหนึ่งเสียงและเสียงหญิงหลายเสียงได้
4. ส่งมอบการสาธิต คู่มือการบูรณาการ ใบอนุญาต ไฟล์ WAV และเส้นทางการตรวจสอบ

การจัดส่ง Android-SDK

AAR นำเสนอ EyeTtsSdk, TtsOptions, TtsStreamCallback และ TtsAudioData แทนที่TextStreamAsync() หยุดข้อความเก่าและสร้างข้อความใหม่ล่าสุด stopTts() หยุดและล้างคิว เอาต์พุตเป็นไฟล์ PCM ดิบ ไม่ใช่ไฟล์ WAV

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

ทดสอบเสียงผู้ชายและอุปกรณ์

มีการตรวจสอบเสียงผู้ชายบนอุปกรณ์ เปิดตัวคือ zm_009 ลำโพง ID 58 โดยมีเรทเท่ากันที่ 0.8x, 1.0x และ 1.4x ระยะเวลาคือ 5.549, 4.363 และ 3.086 วินาที; ไฟล์ WAV ทั้งหมดเป็น PCM16 โมโน 24 kHz โดยไม่มีการตัดทอน การวัดผลไม่ได้แทนที่การประเมินการได้ยิน

ตัวผู้ zm_009 / 0.8x

ตัวผู้ zm_009 / 1.0x

ตัวผู้ zm_009 / 1.4x

เสียงผู้หญิงหลายๆคน

SDK 0.5.1 กำหนดเสียงผู้หญิงจีนอย่างเป็นทางการ 55 เสียง มีการสร้างผู้สมัครสิบสองคนในการสาธิตบน RK3588-S zf_001 ทำหน้าที่เป็นข้อมูลอ้างอิง ระยะเวลา ค่าสูงสุด และแฮชที่แตกต่างกันจะไม่รวมการส่งออกซ้ำซ้อน แต่ไม่ได้พิสูจน์ความเป็นธรรมชาติหรือความเหมาะสม

ตัวเมีย zf_001 / 1.0x

สภาพแวดล้อมด้านฮาร์ดแวร์และซอฟต์แวร์

ค่าที่วัดได้ที่ RK3588-S

ประโยคภาษาจีนสั้นๆ เดียวกันนั้นวัดด้วยเธรด CPU สี่เธรดและพารามิเตอร์ระดับเสียง SDK 1.0 First Chunk คือเวลาที่ถึง PCM แรก RTF คือเวลาในการสร้างหารด้วยความยาวของเสียง ที่มา: รายงานการทดสอบ Winge-RK3588-S ตั้งแต่วันที่ 5 สิงหาคม 2026 ไม่รับประกันตัวอย่างขนาดเล็ก

การทดสอบและขอบเขตของการจัดส่ง

• EyeAlgo-TTS-Android-AAR และ Core-AAR ที่ตรงกัน
• APK สาธิตสำหรับเสียง อัตรา ระดับเสียง เล่น หยุด และส่งออก WAV
• สินค้าคงคลัง Kokoro และ SHA-256, WAV, บันทึกอุปกรณ์, เอกสารการรวมระบบ และใบอนุญาต

ชุดทดสอบ 38 ชุด / กรณีทดสอบ 185 กรณี / ความล้มเหลว 0 รายการ / ข้อผิดพลาด 0 รายการ / ข้ามไป 0 รายการ ผ่านการสร้าง AAR และ APK แล้ว

พื้นที่ใช้งาน

เหมาะสำหรับการประเมินประกาศเกี่ยวกับแว่นตาอัจฉริยะ การอ่าน OCR ออฟไลน์ อุปกรณ์มือถือทางอุตสาหกรรม สัญญาณเตือนโรงงาน นิทรรศการ และเครือข่ายแยก Android เฟิร์มแวร์บทสนทนา ข้อความยาว และซีรีส์ต้องมีการตรวจสอบขนาด หน่วยความจำ เวลาแฝง ห่วงโซ่เสียง การทำให้ข้อความเป็นมาตรฐาน และความเสถียรของตัวเอง

เงื่อนไขการรวม

• ทดสอบแล้วคือ Android 12 และ arm64-v8a; เป้าหมายอื่นๆ จำเป็นต้องมีการตรวจสอบความเข้ากันได้
• AAR ที่ไม่ถูกปริมาณคือประมาณ 354 MiB, APK สาธิตคือประมาณ 360 MiB
• ลบรันไทม์ที่ขัดแย้งกันและตั้งค่า AudioTrack เป็น 24000 Hz, โมโน, PCM16 little-endian

ขีดจำกัดและลด

• สถานะ: ลูกค้า_ทดสอบ / ไม่ใช่การผลิต
• ข้อความยาว เสถียรภาพแปดชั่วโมง การเปรียบเทียบการฟังของเสียงทั้งหมด INT8 และลายเซ็นการผลิตเปิดอยู่
• P95 และ RTF ก้อนแรกไม่บรรลุเป้าหมายเดิม

แหล่งข้อมูลทางเทคนิคสาธารณะ

Voice ID, การกำหนดค่า Android และอัตราการสุ่มตัวอย่างเป็นไปตามเอกสาร sherpa-onnx-Kokoro แหล่งกำเนิดสินค้าและใบอนุญาตเป็นไปตาม Kokoro-82M-v1.1-zh เอกสารต้นน้ำระบุส่วนประกอบแต่ไม่ใช่หลักฐานการยอมรับ

• sherpa-onnx Kokoro หลายยาว v1.1.1
• โคโคโระ-82M-v1.1-zh

คำถามที่พบบ่อย

SDKทำงานแบบออฟไลน์โดยสมบูรณ์หรือไม่

การสังเคราะห์ทำงานภายในเครื่องโดยไม่มี TTS บนคลาวด์ การแจกจ่ายครั้งแรกหรือการซิงโครไนซ์ข้อมูลจำเป็นต้องมีเครือข่ายหรือไม่นั้นขึ้นอยู่กับการเปิดตัว

มีการทดสอบเสียงผู้ชายเป็น RK3588-S หรือไม่?

ใช่ zm_009 ถูกสร้างขึ้นด้วยความเร็วสามระดับ เวลาแฝง เวลา RTF และการตัดคลิปถูกบันทึก ข้อความยาวและแปดชั่วโมงกำลังรอดำเนินการ

มีเสียงผู้หญิงจีนกี่คน?

มีการกำหนดชื่อ 55 ชื่อและสร้างผู้สมัครสิบสองคนในการสาธิตบนอุปกรณ์ นี่ไม่ใช่การลดคะแนนเสียงทั้งหมดโดยอัตนัย

การโทรกลับส่ง WAV หรือไม่

ไม่ มันส่งข้อมูลดิบ PCM16 โมโน 24kHz มีการเพิ่มส่วนหัว WAV เพื่อจัดเก็บข้อมูล

ทำไมไม่พร้อมผลิต?

ข้อความยาว เสียงทั้งหมด ความเสถียรแปดชั่วโมง ลายเซ็นการผลิต และห่วงโซ่เสียงของลูกค้ายังไม่ได้รับการอนุมัติ