unobox TTS 多引擎集成评估报告

评估日期：2026-06-05 | 评估对象：unobox 桌面端 (Electron)

评估范围：本地引擎 4 种 + 国内云 5 种 + 国际云 5 种，共 14 种方案

---

一、现状分析

有利条件（已有基础设施）

基础设施	状态	说明
音频播放引擎 (useAudioEngine)	✅ 完整	隐藏 HTMLAudioElement，支持 blob URL、进度保存
媒体播放器 Store (useMediaPlayerStore)	✅ 完整	队列管理、倍速、循环模式、Mini/Full 两种 UI
播放器 UI (MiniPlayer / FullPlayer)	✅ 完整	迷你播放栏 + 全屏播放器，开箱即用
自定义协议 (unbox-file://)	✅ 完整	支持 Range 请求、流式传输大文件
IPC 桥接模式	✅ 完整	namespace:action 约定，流式/非流式两种模式
IServerProvider 多 Provider 架构	✅ 完整	TTS 引擎切换可直接复用 ProviderManager 热插拔模式
MediaSource 类型	✅ 已预留 'ai'	在 audioPlayer.ts 第 8 行，直接可用

缺失部分

零 TTS 代码。无语音合成引擎、无语音下载管理、无 TTS 设置界面。

---

二、TTS 引擎全景对比

2.1 引擎分类

TTS 引擎全集（14 种）
├── 🏠 本地离线引擎（4 种）
│ ├── Sherpa-ONNX + Kokoro ← 主力：中英文双语高质
│ ├── Supertonic TTS ← 极速：英文/韩文
│ ├── Piper TTS ← 兜底：40+ 语言覆盖
│ ├── PaddleSpeech ← 开源：中文离线（Python子进程）
│ └── Pico TTS (SVOX) ← 不推荐：无中文
│
├── 🇨🇳 国内云 TTS（4 种）—— 中文质量最优
│ ├── 阿里云 TTS (Qwen3-TTS) ← 综合最佳
│ ├── 火山引擎 TTS (豆包语音) ← 长文本最低价
│ ├── 腾讯云 TTS ← 预付费最便宜
│ └── 百度智能云 TTS ← 免费额度最大方
│
└── 🌍 国际云 TTS（5 种）—— 多语言/高质量
 ├── OpenAI TTS ← AI 原生，gpt-4o-mini-tts
 ├── Google Cloud TTS ← 语言最多（75+）
 ├── Amazon Polly ← AWS 生态
 ├── Azure Speech ← 国内版便宜
└── ElevenLabs ← 质量天花板 + 语音克隆

2.2 本地引擎核心指标对比

维度	Sherpa-ONNX + Kokoro	Supertonic TTS	Piper TTS	PaddleSpeech	Pico TTS
语音质量	⭐⭐⭐⭐⭐ TTS Arena #1	⭐⭐⭐⭐ 自然稳定	⭐⭐⭐⭐ 自然流畅	⭐⭐⭐⭐ 中文良好	⭐⭐ 机械感强
中文支持	✅ 8 种中文语音	❌ 不支持	✅ 约 5-6 种	✅ 中文原生	❌ 不支持
语言总数	~10 种	31 种（无中文）	40+ 种	~10 种	仅 6 种
模型体积	~160MB	~99MB	30-80MB/语音	~300MB（完整）	~2MB
CPU 推理	~1-3x 实时	167x 实时	>1x 实时	~1-3x 实时	极快
GPU 推理	CUDA 可选	1000x 实时	不支持	不支持	不支持
流式合成	✅	❌（分块模式）	✅	✅（服务模式）	❌
集成方式	npm 原生插件 / WASM	npm 原生插件	CLI 子进程	Python CLI 子进程	CLI 子进程
许可协议	Apache 2.0	MIT / OpenRAIL-M	MIT	Apache 2.0	Apache 2.0
活跃维护	✅ 非常活跃	✅ 极其活跃	✅ 活跃	✅ 活跃	❌ 近乎停止
在 unobox 中的定位	主力引擎	英文极速引擎	编译失败兜底	中文离线备选	不推荐

2.3 国内云 TTS 核心指标对比

维度	阿里云 (Qwen3-TTS)	火山引擎 (豆包语音)	腾讯云	百度智能云
中文质量	⭐⭐⭐⭐⭐ WER 1.9%	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐
语音数量	49 种音色	多款基础+精品	标准+精品+大模型	基础+精品+臻品+大模型
方言支持	✅ 9 种方言	部分支持	部分支持	✅ 粤语等
免费额度	100 万字符/月	基础音色免费	精品 800 万字符（3 月）	个人 5 万次（180 天）
长文本单价	¥0.8/万字符	¥1.0/万字符	¥0.75/万字符（预付费）	¥1.7/万字符
短文本单价	¥1.0/千次（预付费）	¥4/千次	—	¥12/万次（预付费）
流式合成	✅	✅	✅	✅（WebSocket）
Node.js SDK	✅ DashScope SDK	✅ @volcengine/openapi	✅ tencentcloud-sdk-nodejs-tts	❌ 需手动 HTTP
自定义语音	✅ 10 个免费音色	✅ 声音复刻	❌	✅ 个性化定制
SSML 支持	✅ 完整	✅	✅	✅
在 unobox 中的定位	国内首选远程	长文本性价比王	预付费最省钱	免费额度最慷慨

2.4 国际云 TTS 核心指标对比

维度	OpenAI TTS	Google Cloud TTS	Amazon Polly	Azure Speech	ElevenLabs
语音质量	⭐⭐⭐⭐⭐ AI 原生	⭐⭐⭐⭐⭐ Chirp 3 HD	⭐⭐⭐⭐ 可接受	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐ 行业最佳
免费额度	$5 新用户赠送	标准 400 万字符/月	标准 500 万字符/月（首年）	神经 50 万字符/月	1 万字符/月
神经语音价	$15/百万字符	$16/百万字符	$16/百万字符	$15/百万字符	$5/月起（订阅制）
中文支持	✅ 但偏僵硬	✅ 普通话/粤语	✅ 普通话/粤语	✅ 普通话/粤语	✅ 多语言 v2
语言总数	~20 种	75+ 种	40+ 种	50+ 种	30+ 种
语音数量	13 种（含 gpt-4o-mini-tts）	380+	100+	300+	按需克隆
流式合成	✅ 实时流式	✅	✅	✅	✅ 极低延迟
语音克隆	❌	✅ Instant Custom Voice	✅ Brand Voice	✅ Custom Neural Voice	✅ 从 1 分钟音频
Node.js SDK	✅ openai	✅ @google-cloud/text-to-speech	✅ @aws-sdk/client-polly	✅ microsoft-cognitiveservices-speech-sdk	✅ REST API
输出格式	MP3/Opus/AAC/FLAC/WAV	MP3/WAV/OGG/PCM	MP3/OGG/PCM	MP3/WAV/OGG/PCM	MP3/WAV/OGG/PCM
速度控制	✅ 0.25-4.0x	✅ SSML	✅ SSML	✅ SSML	✅
在 unobox 中的定位	AI 对话最佳	语言覆盖最广	成本最低国际	国内节点便宜	高端付费首选

2.5 PaddleSpeech 详细分析

PaddleSpeech 是百度飞桨开源的端到端语音工具包，不同于百度智能云的商业 API，它是完全本地运行的。

特性	说明
定位	开源离线语音工具包（Apache 2.0）
中文模型	fastspeech2_csmsc / tacotron2_csmsc + hifigan_csmsc 声码器
中英混合	fastspeech2_mix 模型支持中英混合合成
多音色	174 个多说话人模型（CSMSC 数据集，仅限非商业用途）
流式合成	✅ 支持 HTTP 流式服务模式
ONNX 加速	✅ use_onnx=True 启用 ONNX Runtime 推理加速
安装	pip install paddlepaddle paddlespeech
首次使用	自动下载预训练模型（数百 MB），之后可离线
集成方式	Python CLI 子进程（paddlespeech tts --input "..." --output out.wav）
自定义语音	✅ 语音克隆模型 AISHELL3-VC + 声音转换
关键限制	CSMSC 数据集非商业许可；需 Python + PaddlePaddle 环境（额外 ~2GB）
在 unobox 中的定位	开源可定制中文备选；Python 依赖是最大门槛，适合开发者/极客

---

三、集成方案推荐

3.1 架构设计：统一的 ITTSProvider 接口

项目已有 IServerProvider 多服务商架构（ProviderManager 管理多个 Provider 热插拔），TTS 引擎切换可直接复用此模式。ITTSProvider 接口对调用方来说，本地 Kokoro 和远程 OpenAI TTS 没有任何区别：

// packages/core/src/providers/ITTSProvider.ts（新增）

interface ITTSProvider {
  readonly id: string // 'sherpa-onnx' | 'supertonic' | 'piper-cli' | 'paddlespeech' |
                      // 'aliyun-qwen3' | 'volcengine' | 'tencent-cloud' | 'baidu-cloud' |
                      // 'openai' | 'google-cloud' | 'amazon-polly' | 'azure-speech'
  readonly name: string      // 展示名称
  readonly type: 'local' | 'remote'
  readonly priority: number  // 推荐排序

  /** 当前环境是否可用 */
  isAvailable(): Promise<boolean>

  /** 已安装/已配置的语音列表 */
  getVoices(): Promise<TTSVoice[]>

  /** 合成语音 → 返回 PCM/WAV buffer */
  synthesize(text: string, voiceId: string, opts: TTSOptions): Promise<AudioResult>

  /** 流式合成（长文本逐句输出） */
  synthesizeStream?(text: string, voiceId: string, opts: TTSOptions): AsyncIterable<AudioChunk>

  /** 远程引擎特有：是否需要 API Key */
  readonly requiresAuth: boolean

  /** 远程引擎特有：设置认证凭据 */
  setCredentials?(credentials: TTSApiCredentials): Promise<{ valid: boolean; error?: string }>

  /** 安装/更新引擎 */
  install?(): Promise<{ success: boolean; error?: string }>

  /** 下载语音模型 */
  downloadVoice?(voiceId: string, onProgress?: (pct: number) => void): Promise<{ success: boolean }>

  /** 释放资源 */
  dispose(): void
}

3.2 系统架构图

渲染进程（Renderer）                   主进程（Main Process）
══════════════════════                 ════════════════════════════

TTSStore (Zustand)                    TTSManager（类似 ProviderManager）
├─ currentEngine: ITTSProvider         ├─ engines: ITTSProvider[]
├─ voices: TTSVoice[]                  │   │
├─ preferences:                        │   ├─ 🏠 本地引擎（4 种）
│  ├─ enginePriority: 'local-first'    │   │  ├─ SherpaOnnxProvider（主力）
│  └─ fallbackChain: [...]             │   │  ├─ SupertonicProvider（极速英文）
│                                       │   │  ├─ PiperCliProvider（兜底）
 IPC bridge                             │   │  └─ PaddleSpeechProvider（中文开源）
┌──────────────────────────┐            │   │
│ api.tts.*                 │            │   ├─ 🇨🇳 国内云（4 种）
│ - getEngines()            │            │   │  ├─ AliyunQwen3Provider
│ - setEngine()             │            │   │  ├─ VolcengineProvider
│ - getVoices()             │            │   │  ├─ TencentCloudProvider
│ - speak()                 │            │   │  └─ BaiduCloudProvider
│ - speakStream()           │            │   │
│ - setCredentials()        │            │   └─ 🌍 国际云（5 种）
│ - downloadVoice()         │            │     ├─ OpenAIProvider
│ - previewVoice()          │            │     ├─ GoogleCloudProvider
└──────────────────────────┘            │     ├─ AmazonPollyProvider
                                         │     ├─ AzureProvider
useMediaPlayerStore                      │     └─ ElevenLabsProvider
└─ playOrEnqueue({ source: 'ai' })       │
                                         ├─ VoiceManager（统一模型/语音管理）
MiniPlayer / FullPlayer                  │  ├─ 模型下载（Hugging Face / 各云存储）
└─ 零改动，完全复用                      │  ├─ 缓存管理（{userData}/tts-models/）
                                          │  └─ 格式校验
                                          │
                                          └─ IPC Handlers
                                            ├─ tts:get-engines / tts:set-engine
                                            ├─ tts:get-voices / tts:download-voice
                                            ├─ tts:speak / tts:speak-stream
└─ tts:set-credentials

3.3 各引擎集成方式总结

类别	引擎	集成方式	技术栈	复杂度
🏠 本地	Sherpa-ONNX + Kokoro	npm 预编译平台包 + WASM 兜底	onnxruntime-node	⭐⭐ 中
🏠 本地	Supertonic TTS	官方 nodejs/ 移植，4 个 ONNX session	onnxruntime-node	⭐⭐ 中
🏠 本地	Piper TTS	CLI 子进程 stdin→stdout	child_process	⭐ 低
🏠 本地	PaddleSpeech	Python CLI 子进程	child_process (Python)	⭐⭐ 中
🇨🇳 国内云	阿里云 Qwen3-TTS	DashScope SDK / REST API	dashscope npm	⭐ 低
🇨🇳 国内云	火山引擎	OpenAPI SDK	@volcengine/openapi npm	⭐ 低
🇨🇳 国内云	腾讯云	专用 SDK	tencentcloud-sdk-nodejs-tts	⭐ 低
🇨🇳 国内云	百度智能云	HTTP REST（无 SDK）	axios + Bearer Token	⭐ 低
🌍 国际云	OpenAI	OpenAI Node.js SDK	openai npm	⭐ 低
🌍 国际云	Google Cloud	官方 gax 客户端	@google-cloud/text-to-speech	⭐ 低
🌍 国际云	Amazon Polly	AWS JS SDK v3	@aws-sdk/client-polly	⭐ 低
🌍 国际云	Azure Speech	Speech SDK	microsoft-cognitiveservices-speech-sdk	⭐ 低
🌍 国际云	ElevenLabs	REST API	axios + API Key	⭐ 低

关键观察：远程引擎的集成复杂度普遍为 ⭐ 低。 本质都是 HTTP API 调用 → JSON/base64 音频响应，比本地 ONNX 推理简单得多。第一个远程引擎约需 1 天（搭认证框架），后续每个仅需 0.5 天。

---

四、各引擎差异化定位与推荐策略

核心原则：本地免费默认，云端增值可选

unobox 是一款私有 IM 应用，本地离线是核心竞争力。TTS 引擎的分层策略如下：

所有用户 ──→ 🏠 本地引擎（默认、免费、零配置）
 ├─ 开箱即用，无需 API Key，无需网络
 ├─ 预打包 1 个保底语音（<15MB），其余按需二次下载
 └─ 覆盖 90% 日常场景

高价值用户 ──→ ☁️ 远程云端引擎（可选、高质量、需自备 API Key）
 ├─ 用户自行注册云服务商账号，自行管理配额和费用
 ├─ unobox 仅提供设置页面的 API Key 配置入口
└─ 不做代理、不做中转、不计费

产品设计上的体现：

• TTS 设置页默认展示本地引擎，远程引擎折叠在"☁️ 云端引擎（高级）"分区
• 远程引擎分区标注"需自行申请 API Key，可能产生费用"
• 本地引擎始终作为降级链的最终兜底

4.1 用户场景 → 引擎映射（本地默认版）

┌────────────────────────────┬──────────────────────┬───────────────────────────┬─────────────────────┐
│ 场景                        │ 默认引擎（本地免费）    │ 升级引擎（云端增值）        │ 不推荐              │
├────────────────────────────┼──────────────────────┼───────────────────────────┼─────────────────────┤
│ AI 对话语音回复（中英双语） │ Sherpa-ONNX + Kokoro │ 阿里云 Qwen3-TTS          │ Pico（无中文）      │
│ AI 对话语音回复（纯英文）   │ Supertonic           │ OpenAI / ElevenLabs       │ PaddleSpeech        │
│ 消息朗读（中文）            │ Kokoro               │ 阿里云 Qwen3-TTS          │ Pico / Supertonic   │
│ 消息朗读（英文）            │ Supertonic           │ OpenAI TTS                │ Pico                │
│ 消息朗读（日/韩/德等）      │ Piper TTS            │ Google Cloud TTS          │ Supertonic（无中文） │
│ 极低配设备兜底              │ MATCHA-TTS (<10MB)   │ Piper low 质量            │ PaddleSpeech        │
│ 高质量中文配音（专业需求）   │ —                    │ 阿里云 / 火山引擎          │ —                   │
│ 语音克隆需求（专业需求）     │ —                    │ ElevenLabs / Azure Custom  │ 本地引擎             │
│ 开源可定制中文 TTS          │ PaddleSpeech         │ Kokoro                    │ —                   │
│ 数据隐私优先                │ 本地引擎（全部）       │ —                         │ 全部远程引擎         │
│ 断网环境                    │ 本地引擎（全部）       │ —                         │ 全部远程引擎         │
└────────────────────────────┴──────────────────────┴───────────────────────────┴─────────────────────┘

核心变化：默认列全部是本地免费引擎。 远程云端引擎仅在用户主动配置 API Key 后才出现在可选列表中。

4.2 推荐优先级

═══════════════════════════════════════════════════════════════
🏠 Phase 1：本地引擎（免费默认，首批交付，12-18 天）
═══════════════════════════════════════════════════════════════
 目标：覆盖 90% 用户的日常 TTS 场景，零成本、零配置、零网络依赖
 ├─ Sherpa-ONNX + Kokoro-multi-lang（中英文双语主力）
 ├─ Supertonic（极速英文加速引擎）
 ├─ Piper CLI（编译失败兜底 + 多语言扩展）
 ├─ MATCHA-TTS / Piper low 质量（极低配保底语音，<15MB 预打包）
 └─ 设置 UI：
    ├─ 引擎状态（已就绪/未安装）
    ├─ 语音浏览 + 下载管理 + 试听预览
    ├─ 语速/音调调节
    └─ 语音包二次下载（首次启动后台静默下载主力语音）

═══════════════════════════════════════════════════════════════
☁️ Phase 2：远程云端引擎（增值升级，+4-6 天）
═══════════════════════════════════════════════════════════════
 目标：为高价值用户提供更高质量的云端 TTS 选项
 前提：用户自行申请云服务商 API Key，自行承担费用
 ├─ 🇨🇳 国内云：阿里云 Qwen3-TTS / 火山引擎 / 腾讯云 / 百度智能云
 ├─ 🌍 国际云：OpenAI / Google Cloud / Azure / Amazon Polly
 ├─ 设置 UI 新增：
 │   ├─ "☁️ 云端引擎（高级）"折叠分区
 │   ├─ API Key 配置 + 验证 + 本地加密存储
 │   ├─ 隐私声明弹窗（强制确认）
 │   └─ 可用额度查询（远程引擎带有用量估算）
 └─ 降级链：远程超时/失败 → 自动切回本地引擎

═══════════════════════════════════════════════════════════════
💎 Phase 3：专业增强（+2-3 天）
═══════════════════════════════════════════════════════════════
 ├─ ElevenLabs（语音克隆 + 顶级质量，订阅制）
 ├─ PaddleSpeech（开源可定制中文 TTS，Python 依赖）
 └─ Amazon Polly（AWS 生态用户备选）

不推荐:
└─ 🏠 Pico TTS（无中文，MATCHA-TTS 替代）

4.3 引擎自动选择逻辑（本地默认，云端需主动启用）

function selectEngine(
  userLang: string,
  hardwareTier: 'high' | 'mid' | 'low',
  hasRemoteConfigured: boolean // 用户是否主动配置了远程引擎
): ITTSProvider {

  // ── 默认路径：纯本地引擎（所有用户都走这里）──
  // 中文用户
  if (userLang.startsWith('zh')) {
    if (sherpaOnnx.isAvailable()) return sherpaKokoroProvider // Kokoro 中文
    if (paddleSpeech.isAvailable()) return paddleSpeechProvider // 开源备选
    return piperCliProvider // Piper 最终兜底
  }

  // 英文/韩文用户
  if (['en', 'ko'].includes(userLang)) {
    if (supertonic.isAvailable()) return supertonicProvider // 极速首选
    if (sherpaOnnx.isAvailable()) return sherpaKokoroProvider // Kokoro 备选
    return piperCliProvider
  }

  // 其他语言用户
  if (sherpaOnnx.isAvailable()) return sherpaOnnxProvider // Sherpa 多语
  return piperCliProvider // Piper 40+ 语言兜底

  // ── 注意：远程引擎不会出现在自动选择逻辑中 ──
  // 远程引擎仅在用户同时满足以下条件时才可选：
  // 1. 已在设置页主动配置 API Key
  // 2. 已通过隐私声明确认
  // 3. 在引擎切换器中手动选择了某个远程引擎
  // 远程引擎失败时 → 自动降级回上述本地引擎（用户无感知）
}

---

五、国内云 TTS 详细说明

5.1 阿里云 Qwen3-TTS（推荐首选）

项目	详情
模型	Qwen3-TTS，49 种音色，10 种语言 + 9 种方言，48kHz
WER	中文 1.9%，英文 2.8%（优于 Azure TTS）
免费额度	100 万字符/月（49 种音色全免费）
付费价格	¥0.8/万字符
Node.js SDK	npm install dashscope
调用方式	dashscope.audio.speech({ model: 'qwen-tts', input: { text }, voice: 'longxiaoxia_v2', response_format: 'mp3' })
特色	支持粤语/四川话/东北话；语音合成+识别双功能；流式实时合成
推荐指数	⭐⭐⭐⭐⭐ 国内远程首选

5.2 火山引擎（豆包语音TTS）

项目	详情
价格	长文本普通版 ¥1.0/万字符，情感预测版 ¥2.0/万字符
免费额度	基础音色完全免费；非基础音色年授权费 ¥1 万/个
短文本	≤300 字符/次，后付费 ¥4/千次（1 万次以上）
Node.js SDK	npm install @volcengine/openapi
特色	情感预测版溢价 100%；可与豆包大模型联动（同生态）；多场景音色定制
推荐指数	⭐⭐⭐⭐ 长文本性价比王者

5.3 腾讯云 TTS

项目	详情
免费额度	精品音色 800 万字符（领取后 3 个月有效）
价格	标准音色后付费 ¥1.9/万字符起，预付费最低 ¥0.75/万字符
精品音色	¥2.8/万字符（后付费小体量比火山高 180%）
Node.js SDK	npm install tencentcloud-sdk-nodejs-tts
特色	预付费资源包可退款（7 天内）；大模型音色 + 超自然大模型音色
推荐指数	⭐⭐⭐⭐ 预付费最省钱

5.4 百度智能云 TTS

项目	详情
免费额度	个人认证：基础音库 5 万次/180 天；企业认证：1 亿次/180 天
价格	短文本基础音库 ¥12/万次（预付费）；长文本 ¥1.7/万字符
大模型音色	度涵竹/度嫣然/度泽言/度怀安/度小粤等，与精品音库同价
Node.js SDK	无专用 SDK，HTTP REST 调用（axios + Bearer Token）
接口特点	短文本最长 500 汉字；长文本最长 10 万字（异步）；流式 WebSocket 协议
推荐指数	⭐⭐⭐ 免费额度最慷慨（适合企业认证）

5.5 国内云 TTS 价格速查

场景	最便宜方案	单价
🆓 量少免费	百度智能云（个人）+ 阿里云 Qwen3	¥0
🀄 中文长文本	腾讯云标准预付费	¥0.75/万字符
🀄 中文后付费小体量	火山引擎普通版	¥1.0/万字符
🀄 中文短文本高频	阿里云 30 万千次包	¥1.0/千次
📞 中文质量优先	阿里云 Qwen3-TTS	¥0.8/万字符
🤖 对标 AI 通话	火山引擎情感预测版	¥2.0/万字符

---

六、国际云 TTS 详细说明

6.1 OpenAI TTS

项目	详情
模型	tts-1 / tts-1-hd / gpt-4o-mini-tts
价格	tts-1: $15/M 字符；tts-1-hd: $30/M 字符；gpt-4o-mini-tts: $0.60/M 输入 token + $12/M 音频输出 token
实际成本	~$0.86/小时音频（tts-1）
语音数量	13 种（Alloy/Echo/Fable/Nova/Onyx/Shimmer/Ash/Ballad/Coral/Sage/Verse/Marin/Cedar）
gpt-4o-mini-tts 特色	语音指令定制（如"热情的意大利厨师"），Marin/Cedar 独占
Node.js SDK	npm install openai → openai.audio.speech.create()
中文	✅ 但偏僵硬，不如国内云
推荐指数	⭐⭐⭐⭐⭐ AI 对话原生场景首选

6.2 Google Cloud TTS

项目	详情
价格	标准 $4/M 字符；神经 $16/M 字符；Chirp 3 HD $30/M 字符；Gemini TTS token 制
免费额度	标准 400 万字符/月 + 神经 100 万字符/月；新用户 $300 赠送
语言	75+ 种，380+ 语音（所有引擎中最广）
Node.js SDK	npm install @google-cloud/text-to-speech
推荐指数	⭐⭐⭐⭐ 语言覆盖最广

6.3 Azure Speech

项目	详情
价格	神经 TTS $15/M 字符；国内版 ¥0.95/万字（非常便宜）
免费额度	神经 50 万字符/月
Node.js SDK	npm install microsoft-cognitiveservices-speech-sdk
推荐指数	⭐⭐⭐⭐ 国内版极便宜

6.4 Amazon Polly

项目	详情
价格	标准 $4/M 字符；神经 $16/M 字符；生成式 $30/M 字符
免费额度	标准 500 万字符/月 + 神经 100 万字符/月（首年）；新用户 $200 赠送
语言	40+ 种，100+ 语音
Node.js SDK	npm install @aws-sdk/client-polly
推荐指数	⭐⭐⭐ AWS 用户首选

6.5 ElevenLabs

项目	详情
价格	$5/月起（3 万字符）→ $99/月（50 万字符），订阅制非按量付费
免费额度	1 万字符/月
特色	从 1 分钟音频即可克隆语音；公认质量天花板
Node.js	REST API（axios + API Key）
推荐指数	⭐⭐⭐ 高端付费用户（语音克隆需求）

6.6 国际云 TTS 价格速查

场景	最便宜方案	单价
🆓 英文少量	Google 标准 + Amazon 标准（免费层内）	$0
🇺🇸 英文神经质量	Azure 国内版 / Google Neural	$15-16/M 字符
🏆 英文最佳质量	OpenAI tts-1 / ElevenLabs	$15/M 字符 / $5/月起
🌐 多语言覆盖	Google Cloud TTS（75+ 语言）	$4/M 字符起步
🇨🇳 中文	不推荐国际云（国内云质量更好且更便宜）	—

---

七、隐私与安全设计（远程引擎专项）

远程 TTS 引擎涉及文本内容离开用户设备，需要严格防护：

第一层：用户知情同意（强制）
 ┌─────────────────────────────────────────┐
 │ ⚠️ 启用远程 TTS 服务                     │
 │                                         │
 │ 您将朗读的消息文本将发送到第三方服务器     │
 │ 进行处理。请确认您已阅读并同意。          │
 │                                         │
 │ ☐ 我理解消息文本将离开本地设备            │
 │ ☐ 我同意服务商的数据处理条款             │
 │                                         │
 │ [取消]               [同意并配置 API Key] │
 └─────────────────────────────────────────┘

第二层：API Key 本地加密存储

所有 API Key 使用设备相关密钥 AES 加密后存储到 app_kv_store
不传输、不同步、不备份到任何远程位置
参考 device.getMachineId() 作为加密盐


第三层：引擎级降级保护

远程请求超时（5s）→ 自动回退到本地引擎
余额不足 / 配额超限 → 提示用户，同时切回本地
网络断开 → 静默切换，用户无感知

---

八、引擎降级策略

用户点击"朗读"消息时的引擎选择流程：

检查用户偏好设置
 
├─ "🔒 仅本地" → 跳过远程，直接用本地引擎
 ├─ "☁️ 远程优先" → 先尝试远程，失败则降级
 └─ "🏠 本地优先"（默认）→ 本地可用即用本地

🏠 "本地优先" 降级链（推荐默认）：
 
Sherpa-ONNX Kokoro (<2s 生成)
 → Supertonic（英文）
 → Piper CLI
 → PaddleSpeech（中文备选）
 → 用户已配的远程引擎
 → 全部失败 → 提示用户

☁️ "远程优先" 降级链：
 
阿里云 Qwen3-TTS (3s 超时，中文)
 → 火山引擎 (3s 超时)
 → 腾讯云 / 百度智能云 (3s 超时)
 → OpenAI / Google / Azure (3s 超时)
 → 本地 Kokoro（最终兜底）

自动降级时的 UI 反馈：
 
┌─────────────────────────────────────┐
 │ TTS 合成中...                        │
 │ 🟡 远程引擎无响应，正在切换本地引擎... │
 │ [取消朗读]                           │
└─────────────────────────────────────┘

---

九、各引擎集成难点与风险

9.1 共性难点

难点	风险等级	说明	缓解措施
原生 Node.js 插件跨平台分发	🟡 中	onnxruntime-node 和 sherpa-onnx-node 是原生插件	预编译平台包 + WASM 兜底
大文本合成延迟	🟡 中	长文本需数秒	按句切分流式分段合成
语音模型管理	🟡 中	格式不统一	VoiceManager 统一管理
API Key 安全存储	🟡 中	敏感凭据存储	AES 加密 + 设备指纹盐
Electron 打包体积	🟡 中	本地模型 100-250MB	模型按需下载，内置仅 1 个保底语音

9.2 各引擎特有风险

引擎	风险	等级	说明
Sherpa-ONNX	npm 插件编译失败	🟡	预编译包 + WASM 兜底
Supertonic	无中文	🔴	仅英文/韩文场景使用
PaddleSpeech	Python 环境依赖	🟡	需预装 Python + PaddlePaddle（~2GB）
阿里云	依赖 DashScope 平台	🟢	API 稳定，SDK 成熟
火山引擎	非基础音色年费	🟡	默认用基础音色免费
腾讯云	免费额度有时限	🟢	3 个月后转预付费
百度智能云	无 Node.js SDK	🟢	HTTP 调用简单，无额外依赖
OpenAI	中文发音僵硬	🟡	中文场景推荐国内云
Google Cloud	国内访问不便	🟡	国内用户建议用国内云
ElevenLabs	订阅制非按量	🟡	仅适应重度用户

---

十、需要新增的模块

新增文件清单（约 18 个文件）
═══════════════════════════════════════

核心接口（1 个文件）:
├── packages/core/src/providers/ITTSProvider.ts # 统一 TTS Provider 接口 + 类型定义

主进程 - 本地引擎实现（4 个文件）:
├── apps/desktop/src/main/tts/
│   ├── TTSManager.ts                # 多引擎管理器（类似 ProviderManager）
│   ├── providers/
│   │   ├── SherpaOnnxProvider.ts     # Sherpa-ONNX 引擎（Kokoro + Piper/VITS）
│   │   ├── SupertonicProvider.ts     # Supertonic 引擎
│   │   ├── PiperCliProvider.ts       # Piper CLI 子进程兜底
│   │   └── PaddleSpeechProvider.ts   # PaddleSpeech Python CLI

主进程 - 远程引擎实现（9 个文件）:
│   ├── providers/
│   │   ├── AliyunQwen3Provider.ts    # 阿里云 Qwen3-TTS
│   │   ├── VolcengineProvider.ts     # 火山引擎
│   │   ├── TencentCloudProvider.ts   # 腾讯云
│   │   ├── BaiduCloudProvider.ts     # 百度智能云
│   │   ├── OpenAIProvider.ts         # OpenAI TTS
│   │   ├── GoogleCloudProvider.ts    # Google Cloud TTS
│   │   ├── AmazonPollyProvider.ts    # Amazon Polly
│   │   ├── AzureProvider.ts          # Azure Speech
│   │   └── ElevenLabsProvider.ts     # ElevenLabs

主进程 - 辅助模块（2 个文件）:
├── apps/desktop/src/main/tts/
│   ├── VoiceManager.ts               # 统一语音模型下载/缓存/校验
│   ├── CredentialStore.ts             # API Key 加密存储
│   └── audio-utils.ts                 # PCM/WAV 格式转换 + 采样率适配

预加载 + 类型（2 个文件修改）:
├── apps/desktop/src/renderer/src/env.d.ts  # 新增 api.tts 类型声明
├── apps/desktop/src/preload/index.ts       # 新增 api.tts 桥接

渲染进程（4 个文件）:
├── apps/desktop/src/renderer/src/store/useTTSStore.ts      # TTS 状态管理
├── apps/desktop/src/renderer/src/components/TTSSettings.tsx # TTS 设置页
├── apps/desktop/src/renderer/src/components/RemoteTTSSetup.tsx # API Key 配置向导
├── apps/desktop/src/renderer/src/components/TTSPrivacyNotice.tsx # 隐私声明弹窗
├── apps/desktop/src/renderer/src/hooks/useTTSPlayer.ts     # TTS 播放 Hook

主进程入口（1 个文件修改）:
└── apps/desktop/src/main/index.ts           # 新增 tts:* IPC 处理器

---

十一、IPC 接口设计（最终版，覆盖本地+远程）

api.tts = {
  // ── 引擎管理 ──

  /** 获取所有可用引擎列表 */
  getEngines: () => Promise<{
    id: string
    name: string
    type: 'local' | 'remote'
    available: boolean
    version?: string
    recommended: boolean
    requiresAuth: boolean
    supportedLangs: string[]
    pricing?: string // 价格简写（如 "¥0.8/万字符" | "$15/M字符" | "免费"）
  }[]>

  /** 设置当前使用的引擎 */
  setEngine: (engineId: string) => Promise<{ success: boolean; error?: string }>

  /** 设置降级链 */
  setFallbackChain: (chain: string[]) => Promise<{ success: boolean }>

  /** 下载/安装指定引擎 */
  installEngine: (engineId: string, onProgress?: (pct: number) => void)
    => Promise<{ success: boolean; error?: string }>

  // ── 凭据管理（远程引擎） ──

  /** 设置远程引擎凭据 */
  setCredentials: (engineId: string, credentials: Record<string, string>)
    => Promise<{ valid: boolean; error?: string }>

  /** 验证凭据有效性 */
  validateCredentials: (engineId: string) => Promise<{ valid: boolean; quota?: number }>

  /** 移除凭据 */
  removeCredentials: (engineId: string) => Promise<{ success: boolean }>

  // ── 语音管理 ──

  /** 获取可用语音列表 */
  getVoices: (engineId?: string) => Promise<{
    id: string; name: string; lang: string
    quality: 'low' | 'medium' | 'high'
    sizeBytes?: number
    downloaded?: boolean  // 仅本地引擎
    price?: string        // 仅远程引擎的特殊语音
  }[]>

  /** 下载语音模型（仅本地引擎） */
  downloadVoice: (engineId: string, voiceId: string, onProgress?: (pct: number) => void)
    => Promise<{ success: boolean; error?: string }>

  /** 删除语音模型 */
  deleteVoice: (engineId: string, voiceId: string) => Promise<{ success: boolean }>

  // ── 合成 ──

  /** 合成语音（非流式） */
  speak: (text: string, opts?: {
    engineId?: string
    voiceId?: string
    speed?: number
    pitch?: number
    format?: 'wav' | 'mp3' | 'ogg'
  }) => Promise<{ success: boolean; filePath?: string; duration?: number; error?: string }>

  /** 流式合成（长文本分段，边生成边播放） */
  speakStream: (text: string, opts?: {
    engineId?: string
    voiceId?: string
    speed?: number
  }) => { cancel: () => void }

  /** 用指定语音合成测试文本并播放 */
  previewVoice: (engineId: string, voiceId: string) => Promise<{ success: boolean; error?: string }>

  // ── 偏好设置 ──

  /** 获取 TTS 偏好 */
  getPreferences: () => Promise<{
    engineId: string
    voiceId: string
    speed: number
    pitch: number
    privacyMode: 'local-only' | 'remote-ok' | 'remote-preferred'
    fallbackChain: string[]
  }>

  /** 更新 TTS 偏好 */
  setPreferences: (prefs: Partial<TTSPreferences>) => Promise<{ success: boolean }>
}

---

十二、与现有系统集成

现有系统	复用方式	改动量
IServerProvider 多 Provider 模式	TTS 完全复用，TTSManager ≈ ProviderManager	微小
useMediaPlayerStore + useAudioEngine	合成后的音频直接 playOrEnqueue({ source: 'ai' })	零改动
IPC 桥接 (api.* 命名空间)	新增 api.tts，遵循现有约定	约 100 行新增
设置页面 UI 模式	参考"数据与存储"三层递进布局	复用样式
net.streamRequest cancel 模式	TTS 流式合成的取消机制直接复用	参考即可
@ffmpeg-installer 二进制管理	本地引擎的二进制下载管理参照此模式	参考即可
api.file.readBuffer (unbox-file:// → blob URL)	合成后的 WAV 文件通过此协议访问和播放	零改动
app_kv_store SQLite 表	API Key 加密存储 + TTS 偏好持久化	新增 1 个表

---

十三、成本对比（以日均朗读 20 条消息、每条 200 字符为例）

月均 = 20 × 200 × 30 = 12 万字符/月

引擎	月度成本	年度成本	备注
🏠 本地引擎（全部）	¥0	¥0	磁盘 ~160MB
🇨🇳 阿里云 Qwen3	¥0	¥0	免费层内（100 万/月）
🇨🇳 火山引擎	¥0	¥0	基础音色免费
🇨🇳 腾讯云	¥0（首 3 月）	~¥9	首 3 月 800 万字符免费
🇨🇳 百度智能云	¥0	¥0	免费层内（个人 5 万次/180 天）
🌍 OpenAI tts-1	~$1.80	~$21.60	$15/M 字符
🌍 Google 标准	$0	$0	免费层内（400 万/月）
🌍 Google 神经	~$1.92	~$23.04	$16/M 字符
🌍 Amazon Polly 神经	$0（首年）	~$23	首年 100 万/月免费
🌍 Azure 神经	~$1.80	~$21.60	$15/M 字符
🌍 ElevenLabs	$5/月	$60	订阅制起步

结论：对个人用户正常使用量，无论是国内云还是国际云，基本都在免费层内，远程 TTS 实际成本为 ¥0。

---

十四、工作量估算（本地优先，云端增值）

核心策略

Phase 1 交付后即可发版，本地 TTS 功能完整可用。 Phase 2/3 的远程云端引擎按需叠加，不影响已上线功能。

14.1 分阶段估算

阶段	内容	工时	备注
Phase 0：接口设计	ITTSProvider + TTSManager + VoiceManager + CredentialStore	1-2 天	覆盖本地+远程，但 Phase 1 只实现本地
Phase 1a：主力本地引擎	Sherpa-ONNX (Kokoro/Piper) + Supertonic + 语音模型下载管理	5-6 天	首个引擎最耗时
Phase 1b：本地兜底	Piper CLI 子进程 + MATCHA-TTS 预打包保底语音	1-2 天	编译失败 + 极低配设备
Phase 2a：统一 Store	useTTSStore（引擎切换/语音列表/合成队列/偏好持久化）	1-2 天	本地引擎阶段即可完成
Phase 2b：消息集成	右键"朗读"按钮 + TTS 播放指示器 + AI 对话自动朗读	1-2 天
Phase 3a：设置 UI	引擎状态展示 + 语音浏览/下载/试听 + 语速/音调调节	2-3 天	不含远程引擎分区
Phase 3b：测试打磨	跨平台测试 + 引擎降级测试 + 语音模型下载异常处理	2-3 天
🏠 本地引擎合计		14-20 天	此阶段完成即可发版
Phase 4：远程云端引擎	8 个远程 Provider + API Key 配置 UI + 隐私声明 + 降级链	4-6 天	本地引擎发版后开始
Phase 5：高端增强	ElevenLabs + PaddleSpeech	2-3 天	语音克隆 + 开源中文
☁️ 远程引擎增量合计		+6-9 天	叠加到本地引擎之上
🏆 全部合计		20-29 天	本地 14-20 + 远程 6-9

14.2 推荐交付节奏

里程碑	包含内容	工时	用户可感知
🚀 v1.0 本地免费版	Sherpa-ONNX (Kokoro) + Supertonic + Piper CLI + MATCHA-TTS + 设置 UI + 消息朗读	14-20 天	✅ TTS 功能完整可用
☁️ v1.1 云端增值版	阿里云 + 火山引擎 + 腾讯云 + 百度智能云 + OpenAI + Google + Azure	+4-6 天	✅ 高级用户可配 API Key
💎 v1.2 专业增强版	ElevenLabs + PaddleSpeech + Amazon Polly	+2-3 天	✅ 语音克隆等专业场景

14.3 与有声书的叠加

有声书功能严重依赖 TTS 引擎。日程安排：

v1.0 本地 TTS（14-20 天）
 │
 └─→ v1.0 + 有声书（+11-18 天） = 总计 25-38 天
 │   └── 可从 v1.0 发版后立即开始
 │
└─→ v1.0 + v1.1 云端 TTS + 有声书 = 总计 29-44 天

---

十五、总体评估

15.1 分类推荐度

类别	推荐引擎	推荐度	理由
🏠 本地主力	Sherpa-ONNX + Kokoro	⭐⭐⭐⭐⭐	中英文双语覆盖，一个框架承载多种模型
🏠 极速英文	Supertonic	⭐⭐⭐⭐	CPU 167x 实时，长文稳定性最佳
🏠 中文开源	PaddleSpeech	⭐⭐⭐	可定制但 Python 环境是门槛
🏠 本地兜底	Piper CLI	⭐⭐⭐	编译失败时的安全网
🇨🇳 国内首选	阿里云 Qwen3-TTS	⭐⭐⭐⭐⭐	WER 中文最低，100 万字符/月免费
🇨🇳 国内性价比	火山引擎	⭐⭐⭐⭐	基础音色免费，长文本 ¥1.0/万字
🇨🇳 国内省钱	腾讯云	⭐⭐⭐⭐	预付费 ¥0.75/万字最低
🇨🇳 国内免费	百度智能云	⭐⭐⭐	企业认证 1 亿次免费（无 SDK）
🌍 国际首选	OpenAI TTS	⭐⭐⭐⭐⭐	AI 对话原生场景，gpt-4o-mini-tts
🌍 多语言首选	Google Cloud TTS	⭐⭐⭐⭐	75+ 语言 380+ 语音
🌍 极致质量	ElevenLabs	⭐⭐⭐	语音克隆 + 天花板质量（订阅制）
🌍 微软生态	Azure Speech	⭐⭐⭐	国内版 ¥0.95/万字极便宜
🌍 AWS 生态	Amazon Polly	⭐⭐⭐	首年免费额度最慷慨
❌ 不推荐	Pico TTS	⭐	无中文，MATCHA-TTS 替代

15.2 综合评分

维度	评分	说明
技术可行性	⭐⭐⭐⭐⭐	所有引擎均可集成，成熟 SDK 或 HTTP API
多引擎架构契合度	⭐⭐⭐⭐⭐	项目 IServerProvider 多 Provider 模式直接复用
中文场景覆盖	⭐⭐⭐⭐⭐	国内 4 云质量顶尖 + Kokoro 离线可定制 + PaddleSpeech 开源
实现复杂度	⭐⭐⭐	主要是胶水代码，但引擎数量使 UI 和测试复杂度显著
跨平台风险	⭐⭐⭐	本地引擎需预编译包；远程引擎仅需 HTTP，无此风险
隐私合规	⭐⭐⭐⭐	远程引擎需用户知情同意 + 本地加密存储凭据 + 降级保护
用户体验增益	⭐⭐⭐⭐⭐	10+ 引擎覆盖全部场景，用户按需自由选择

15.3 最终结论

本地免费默认，云端增值可选。建议分三个里程碑交付。

核心设计原则：

• 本地引擎是默认选项，面向所有用户免费可用。 开箱即用，零配置，零网络依赖。预打包 1 个保底语音（<15MB），主力语音首次启动后台静默下载。
• 远程云端引擎是增值选项，面向高价值用户。 用户自行注册云服务商账号、自行管理 API Key、自行承担费用。unobox 仅提供设置页面的 Key 配置入口和引擎切换器，不做代理、不做中转、不计费。
• 统一接口承载一切。 ITTSProvider 对本地引擎和远程 API 完全透明——调用方不感知引擎类别差异。远程引擎实现上反而更简单（HTTP API ≈ 0.5 天/个）。
• useMediaPlayerStore 零改动。 合成后的 WAV 文件直接送入现有音频播放器队列（source: 'ai'），MiniPlayer/FullPlayer 完全复用。
• 推荐首个交付版本（v1.0 本地免费版，14-20 天）：
• 🏠 Sherpa-ONNX + Kokoro-multi-lang（中英文双语主力）
• 🏠 Supertonic（极速英文加速引擎）
• 🏠 Piper CLI + MATCHA-TTS（编译失败 + 极低配兜底）
• 设置 UI（语音浏览/下载/试听/语速调节）
• 消息集成（右键"朗读"按钮 + AI 对话自动朗读）
• v1.1 云端增值版（+4-6 天）： 阿里云/火山引擎/腾讯云/百度智能云 + OpenAI/Google/Azure + API Key 配置 + 隐私声明
• 不推荐集成的引擎：Pico TTS（无中文，MATCHA-TTS 替代）。
• 语音包完全二次下载。 预打包仅保留一个 ≤15MB 的保底中文语音，其余全部按需下载。
• 远程引擎的隐私合规是强制要求。 文本离开设备前必须获得用户明确知情同意，API Key 本地加密存储，任何远程失败均自动降级到本地引擎。
• 有声书功能基于 Phase 1 本地 TTS 即可独立开发（+11-18 天），无需等待远程引擎。