1. 项目概述：为什么要在Unity里折腾离线语音合成？

如果你正在开发一款需要语音交互的独立游戏、教育应用，或者你的项目对网络有严格限制，那么离线语音合成（TTS）绝对是一个绕不开的技术点。依赖在线API，意味着你的应用随时可能因为网络波动、服务中断或者高昂的API调用费用而“失声”。尤其是在移动端，用户对流量和隐私的敏感度越来越高，一个能本地运行、快速响应的语音引擎，带来的不仅是体验上的流畅，更是产品独立性的关键。

最近在捣鼓一个需要大量NPC对话的RPG项目时，我决定彻底抛弃云端方案，转向本地部署。经过一番筛选，最终锁定了sherpa-onnx这个开源推理框架，配合vits-zh-aishell3这个高质量的中文语音模型。sherpa-onnx 1.10.15版本对Unity的支持已经相当成熟，而vits-zh-aishell3模型在中文自然度上表现优异，非常适合游戏内的旁白、角色对话等场景。

但说实话，从模型下载、环境配置到最终在Unity里跑通，这个过程绝非一帆风顺。官方文档往往只告诉你“怎么做”，却很少提及“为什么这么做”以及“做错了怎么办”。特别是采样率冲突、模型文件路径、Unity插件集成这几个坑，几乎每个新手都会栽跟头。这篇文章，我就把自己从零搭建、踩坑填坑的全过程记录下来，重点不是复述步骤，而是解释每一个关键决策背后的逻辑，并附上那份你绝对需要的“vits-zh-aishell3模型配置避坑指南”。

2. 核心工具与模型选型解析

2.1 为什么是sherpa-onnx？

选择sherpa-onnx，而不是其他TTS引擎（如Edge-TTS的本地化方案或某些商业SDK），主要基于以下几个实战考量：

跨平台与轻量级：sherpa-onnx核心是一个用C++编写的高效ONNX运行时推理框架，它针对移动端（iOS/Android）和桌面端（Windows/macOS/Linux）都提供了预编译库。对于Unity开发者来说，这意味着我们可以直接导入对应平台的插件（.bundle,.a,.so,.dll），无需自己编译复杂的C++项目，大大降低了集成门槛。它的核心库体积可控，不会过度膨胀你的应用安装包。

ONNX生态优势：ONNX（Open Neural Network Exchange）已经成为AI模型部署的事实标准格式。选择基于ONNX的框架，意味着模型的选择面非常广。今天我们用vits-zh-aishell3，明天如果想换一个更轻快或更专业的音色模型，只要找到或转换出对应的ONNX模型，几乎可以无缝切换，避免了被某个特定引擎锁定的风险。

专注推理，无冗余：sherpa-onnx的设计哲学很纯粹：它不负责训练，只做一件事——以最高效的方式在目标硬件上执行ONNX模型推理。这种专注带来了性能上的优势，特别是在资源受限的移动设备上，每一毫秒的推理延迟和每一兆的内存占用都至关重要。它提供了简洁的C API，方便我们通过C#在Unity中进行封装调用。

2.2 vits-zh-aishell3模型深度剖析

模型选型直接决定了最终语音的质量和适用性。vits-zh-aishell3是一个基于VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）架构，在AISHELL-3中文语音数据集上训练而成的TTS模型。

VITS架构的优势：传统的TTS流水线通常分步进行（文本前端→声学模型→声码器），每一步的误差都会累积。VITS是一种端到端模型，它直接从文本生成原始的音频波形，中间过程通过复杂的概率建模和对抗训练来优化，这使得它生成的语音在自然度和连贯性上通常优于传统流水线方法。简单来说，它更“聪明”地理解了文本和语音之间的映射关系。

AISHELL-3数据集特性：这个数据集包含了约85小时的中文语音，由218名发言人录制，涵盖了多种音色和说话风格。基于此训练的vits-zh-aishell3模型，因此具备了多说话人的能力。在模型文件中，通常会包含一个speaker映射表，你可以通过指定一个ID（如0, 1, 2...）来切换不同的音色，这为游戏开发中区分不同角色语音提供了极大的便利，无需为每个角色单独准备一个模型。

模型文件构成：一个完整的、可供sherpa-onnx使用的vits-zh-aishell3模型通常包含以下文件：

• model.onnx: 核心的神经网络计算图文件。
• tokens.txt: 词典文件，定义了文本到音素（或子词单元）的映射关系。
• lexicon.txt(可选): 对于某些模型，可能需要额外的词典来处理多音字或特殊发音。
• xxx.bin(如espeak-ng-xxx.bin): 可能存在的音素化工具数据文件，用于将中文文本转换为模型可识别的音素序列。
• speaker.txt: 说话人ID与名称的映射文件。

注意：从开源社区下载模型时，务必确认这组文件是完整且相互匹配的。经常有人只下载了model.onnx，运行时才发现缺少tokens.txt而导致初始化失败。

3. Unity项目环境准备与sherpa-onnx集成

3.1 Unity版本与平台设置

首先，确保你的Unity版本是2020.3 LTS或更新版本。长期支持版在稳定性方面更有保障，避免遇到一些前沿版本才有的怪异问题。本项目主要面向Windows Standalone和Android平台进行演示，iOS/macOS的流程类似，但库文件不同。

在File -> Build Settings中，提前将目标平台切换到Windows或Android。对于Android，需要确保已经安装了对应的SDK、NDK和JDK，并在Player Settings中设置合适的Minimum API Level（建议API Level 24以上）和Target API Level。

3.2 获取并导入sherpa-onnx Unity插件

sherpa-onnx并未在Unity Asset Store上架，我们需要从其GitHub仓库手动获取。

1. 访问发布页：打开sherpa-onnx的GitHub仓库，进入Releases页面，找到1.10.15版本（或你所需的最新稳定版）。
2. 下载插件包：在Assets列表中，寻找名为sherpa-onnx-unity-1.10.15.zip的文件并下载。这个zip包包含了预编译好的本地库（Native Plugins）和对应的C#封装脚本。
3. 导入Unity：在Unity项目中创建一个Plugins文件夹（如果不存在）。将zip包解压，你会看到类似这样的结构：

   sherpa-onnx-unity/ ├── Runtime/ │ ├── Plugins/ │ │ ├── Android/ │ │ │ ├── arm64-v8a/ │ │ │ ├── armeabi-v7a/ │ │ │ └── x86_64/ │ │ ├── Linux/ │ │ ├── macOS/ │ │ └── Windows/ │ │ ├── x86_64/ │ │ └── x86/ │ └── Scripts/ (C# API封装脚本) └── ...

   将整个sherpa-onnx-unity文件夹拖入Unity项目的Assets目录下即可完成导入。

关键检查点：导入后，选中Runtime/Plugins下的各个.dll或.so文件，在Unity Inspector面板中检查其Platform Settings。确保Windows的库只在Editor和Standalone平台被勾选，Android的库（.so文件）只在Android平台被勾选，避免平台冲突。

3.3 准备vits-zh-aishell3模型文件

模型文件需要放置在一个Unity能够访问到的路径。强烈不建议直接放在Assets/Resources文件夹下，因为模型文件通常很大（几百MB），会被Unity引擎尝试导入和处理，导致编辑器卡顿甚至崩溃。

推荐方案：使用StreamingAssets文件夹

1. 在Assets目录下创建一个名为StreamingAssets的文件夹。这是一个Unity的特殊文件夹，其中的内容在打包后会原封不动地包含在发布包中，并且运行时可以通过Application.streamingAssetsPath路径来读取。
2. 在StreamingAssets下，再创建一个有明确意义的子文件夹，例如TTSModels/vits_zh_aishell3。
3. 将你下载好的vits-zh-aishell3模型的所有文件（model.onnx,tokens.txt等）复制到这个vits_zh_aishell3文件夹内。

这样组织的好处是路径清晰，并且方便管理多个模型。你的目录结构看起来应该是：

Assets/ ├── Plugins/ (sherpa-onnx插件) └── StreamingAssets/ └── TTSModels/ └── vits_zh_aishell3/ ├── model.onnx ├── tokens.txt ├── lexicon.txt └── speaker.txt

4. 核心代码实现与关键参数解析

4.1 初始化TTS引擎：构造函数的门道

sherpa-onnx的C# API设计得相对直接。我们首先需要创建一个OfflineTts对象，也就是我们的TTS引擎实例。初始化是关键一步，很多错误都发生在这里。

using SherpaOnnx; using System.IO; using UnityEngine; public class OfflineTtsManager : MonoBehaviour { private OfflineTts _ttsEngine; private string _modelPath; void Start() { InitializeTtsEngine(); } void InitializeTtsEngine() { // 1. 构建模型绝对路径 _modelPath = Path.Combine(Application.streamingAssetsPath, "TTSModels", "vits_zh_aishell3", "model.onnx"); // 2. 配置TTS参数 var ttsConfig = new OfflineTtsConfig { Model = new OfflineTtsModelConfig { Vits = new OfflineTtsVitsModelConfig { Model = _modelPath, Tokens = Path.Combine(Application.streamingAssetsPath, "TTSModels", "vits_zh_aishell3", "tokens.txt"), Lexicon = Path.Combine(Application.streamingAssetsPath, "TTSModels", "vits_zh_aishell3", "lexicon.txt"), // 如果有的话 DataDir = "" // 通常留空，除非有特殊的espeak-ng数据文件 } }, RuleFsts = "", // 规则FST文件，中文TTS通常不需要 MaxNumSentences = 1, // 一次处理的最大句子数，游戏内通常逐句合成 // 3. 【避坑重点】采样率设置 SampleRate = 22050, // 必须与模型训练时的采样率一致！ // 4. 说话人ID SpeakerId = 0, // 使用speaker.txt中的第一个音色 }; // 5. 尝试创建引擎 try { _ttsEngine = new OfflineTts(ttsConfig); Debug.Log("TTS引擎初始化成功！"); } catch (System.Exception e) { Debug.LogError($"TTS引擎初始化失败: {e.Message}"); // 这里通常需要检查：1. 文件路径是否正确 2. 模型文件是否损坏 3. 采样率是否匹配 } } }

关键参数解读与避坑：

• SampleRate(采样率)：这是最大的一个坑！你必须知道你的vits-zh-aishell3模型是在什么采样率下训练的。常见的训练采样率有22050 Hz和16000 Hz。如果你用22050的模型但设置了SampleRate=16000，合成出来的音频会是尖锐失真的“花栗鼠”音；反之，则会变成低沉缓慢的“怪兽”音。如何确认？通常模型发布页面会写明。如果不确定，一个笨办法是用22050和16000分别试一下，哪个正常就用哪个。在我们的案例中，大部分公开的vits-zh-aishell3模型都是22050 Hz。

• SpeakerId(说话人ID)：这个ID对应speaker.txt文件里的行号（从0开始）。你可以通过读取speaker.txt文件的内容，让用户在游戏中选择不同的角色音色。例如：

  // 读取speaker.txt，假设每行一个说话人名字 string speakerFilePath = Path.Combine(Application.streamingAssetsPath, "TTSModels", "vits_zh_aishell3", "speaker.txt"); if (File.Exists(speakerFilePath)) { string[] speakers = File.ReadAllLines(speakerFilePath); // speakers数组包含了所有可用的说话人名称，其索引即为SpeakerId Debug.Log($"可用音色: {string.Join(", ", speakers)}"); }

• Model路径：确保路径是绝对路径，并且所有相关文件（tokens.txt,lexicon.txt）都能在对应路径找到。在Unity Editor中，Application.streamingAssetsPath的路径是Assets/StreamingAssets；打包后，在不同平台（如Windows的可执行文件旁，Android的apk包内）位置不同，但API会帮我们正确解析。

4.2 文本合成与音频播放流程

初始化成功后，就可以进行文本到语音的合成了。合成结果是一段PCM格式的音频数据，我们需要将其转换为Unity的AudioClip进行播放。

public AudioSource audioSource; // 在Inspector中拖拽赋值 public void Speak(string text, int speakerId = 0) { if (_ttsEngine == null) { Debug.LogWarning("TTS引擎未初始化！"); return; } try { // 1. 生成语音（同步方法，对于长文本可能阻塞主线程） var generatedAudio = _ttsEngine.Generate(text, speakerId: speakerId, speed: 1.0f); // speed参数可以调节语速，1.0为正常，>1.0加快，<1.0减慢 if (generatedAudio == null || generatedAudio.Samples.Length == 0) { Debug.LogError("语音生成失败，未得到音频数据。"); return; } // 2. 将sherpa-onnx的音频数据转换为Unity AudioClip // generatedAudio.SampleRate 应该与我们初始化时设置的SampleRate一致 AudioClip clip = ConvertToAudioClip(generatedAudio, generatedAudio.SampleRate); // 3. 播放音频 if (audioSource != null) { audioSource.clip = clip; audioSource.Play(); } else { Debug.LogWarning("未指定AudioSource，音频已生成但无法播放。"); } } catch (System.Exception e) { Debug.LogError($"语音合成过程出错: {e.Message}"); } } private AudioClip ConvertToAudioClip(OfflineTtsAudio generatedAudio, int sampleRate) { // sherpa-onnx返回的样本是float32格式，范围通常在[-1, 1] float[] samples = generatedAudio.Samples; // 创建AudioClip AudioClip audioClip = AudioClip.Create("TTS_Audio", samples.Length, 1, sampleRate, false); // 设置数据 audioClip.SetData(samples, 0); return audioClip; }

关于性能与异步：_ttsEngine.Generate()是一个同步调用，对于较长的句子（比如一段复杂的任务描述），它可能会在低端设备上导致主线程卡顿几秒钟。在真实游戏项目中，强烈建议将合成操作放在子线程中，可以使用C#的Task.Run()或Unity的Job System配合NativeArray来处理音频数据，合成完成后再回到主线程创建和播放AudioClip。这能有效避免游戏帧率下降。

4.3 音频后处理与资源管理

合成出的原始音频可能首尾带有静音段，或者音量不均衡。我们可以添加简单的后处理：

private AudioClip TrimSilence(AudioClip clip, float threshold = 0.01f) { // 这是一个简化的静音修剪示例，实际应用可能需要更复杂的算法 float[] data = new float[clip.samples * clip.channels]; clip.GetData(data, 0); int start = 0, end = data.Length - 1; // 找到起始非静音点 while (start < data.Length && Mathf.Abs(data[start]) < threshold) start++; // 找到结束非静音点 while (end > 0 && Mathf.Abs(data[end]) < threshold) end--; if (start >= end) return clip; // 几乎全是静音，返回原clip int length = end - start + 1; float[] trimmedData = new float[length]; System.Array.Copy(data, start, trimmedData, 0, length); AudioClip trimmedClip = AudioClip.Create(clip.name + "_Trimmed", length, clip.channels, clip.frequency, false); trimmedClip.SetData(trimmedData, 0); return trimmedClip; }

资源管理：OfflineTts对象和AudioClip都是非托管资源，需要及时释放。在Unity中，可以将OfflineTtsManager做成单例，在OnDestroy或OnApplicationQuit时，手动调用_ttsEngine.Dispose()。对于动态生成的AudioClip，在播放完毕后，如果不再需要，应使用Destroy(clip)或AudioClip.Destroy(clip)来释放内存。

5. vits-zh-aishell3模型配置专项避坑指南

这里集中了集成过程中最可能遇到的几个“坑”，以及我的解决方案。

5.1 坑一：采样率不匹配导致音调诡异

问题现象：合成出的声音要么尖细刺耳（像加速播放），要么低沉缓慢（像慢放），完全不像人声。

根本原因：OfflineTtsConfig.SampleRate的设置与模型实际训练采样率不符。音频采样率定义了每秒采集的样本数，是声音数字化的基础参数。模型在训练时学习的是特定采样率下的音频特征，推理时必须使用相同的采样率来重建波形。

解决方案：

1. 查阅模型文档：这是最可靠的方法。找到你下载模型的原始页面（如Hugging Face Model Hub或作者GitHub），看是否有明确说明。
2. 经验值尝试：中文VITS模型常见采样率为22050。可以先设为此值测试。
3. 技术验证：如果你有Python环境，可以使用onnxruntime加载模型，尝试用不同采样率合成极短的文本（如“啊”），通过听感或波形对比来判断。

正确配置示例：

ttsConfig.SampleRate = 22050; // 对于大多数vits-zh-aishell3模型 // 或 ttsConfig.SampleRate = 16000; // 少数模型可能使用此采样率

5.2 坑二：模型文件缺失或路径错误导致初始化崩溃

问题现象：在new OfflineTts(ttsConfig)时，抛出DllNotFoundException或类似“failed to create tts”的异常。

排查步骤：

1. 检查文件完整性：确认StreamingAssets/TTSModels/vits_zh_aishell3/文件夹下至少包含model.onnx和tokens.txt两个必需文件。lexicon.txt和speaker.txt根据模型可能需要。
2. 检查路径拼写：确保C#代码中的路径拼写与磁盘上的文件夹、文件名完全一致，包括大小写（在Linux/Android系统上大小写敏感）。使用Path.Combine来构建路径可以减少错误。
3. 检查Unity导入设置：对于Windows开发，确保sherpa-onnx的Windows插件（如sherpa-onnx-core.dll）的Platform Settings中Editor和Standalone被勾选。对于Android，确保.so文件的Android平台被勾选，且CPU架构（arm64-v8a, armeabi-v7a）选择正确。
4. 检查Unity Console：有时错误信息会更详细地输出到Unity编辑器控制台，仔细查看红色错误日志。

5.3 坑三：文本编码与分词问题导致合成乱码或失败

问题现象：输入中文文本后，合成的语音是乱码（错误音素）或者直接失败。

原因分析：sherpa-onnx底层处理文本时，依赖于tokens.txt和lexicon.txt。tokens.txt定义了模型认识的“字母表”（音素或子词单元），lexicon.txt则是一个词典，将汉字映射到一系列音素。如果文本中包含模型词典无法处理的字符（如生僻字、英文单词、标点），就可能出错。

解决方案：

1. 文本预处理：在调用Generate之前，对输入文本进行清洗。

   private string PreprocessText(string input) { // 1. 移除或替换模型可能不支持的标点（如全角符号、特殊符号） string cleaned = input.Replace('，', ',').Replace('。', '.').Replace('？', '?').Replace('！', '!'); // 2. 限制字符集（可选，根据模型能力） // 3. 处理数字、英文（如果模型不支持，可以尝试转换为中文读音） // 例如: "2024年" -> "二零二四年" return cleaned; }

2. 确保文件编码：tokens.txt和lexicon.txt必须是UTF-8 without BOM编码。用Notepad++或VS Code打开文件，查看右下角编码，如果不是UTF-8，请转换并保存。
3. 使用完整模型包：从可靠的源获取模型，确保lexicon.txt文件是齐全且适用于该版本model.onnx的。

5.4 坑四：长文本合成内存溢出或速度慢

问题现象：合成很长的段落时，Unity编辑器可能卡死，或者移动设备上内存占用飙升导致应用崩溃。

原因与策略：TTS模型是序列生成模型，生成长音频需要更多的计算和内存。一次性输入超长文本会给推理引擎带来巨大压力。

优化方案：

1. 文本分句：这是最有效的办法。根据标点符号（句号、问号、感叹号）将长文本分割成多个短句。

   private string[] SplitIntoSentences(string text) { // 简单的基于标点的分句，可根据需要增强（如处理省略号） char[] sentenceSeparators = new char[] { '。', '！', '？', '.', '!', '?' }; return text.Split(sentenceSeparators, StringSplitOptions.RemoveEmptyEntries); }

2. 队列与异步合成：创建一个合成队列，逐句合成和播放。结合之前提到的异步合成（在后台线程进行Generate），可以极大地提升用户体验，实现“边合成边播放”的效果。

   private Queue<string> _sentenceQueue = new Queue<string>(); private bool _isSynthesizing = false; public void SpeakLongText(string longText) { var sentences = SplitIntoSentences(longText); foreach (var sentence in sentences) { _sentenceQueue.Enqueue(sentence); } PlayNextInQueue(); } private async void PlayNextInQueue() // 注意：这里使用了async，需确保环境支持 { if (_isSynthesizing || _sentenceQueue.Count == 0) return; _isSynthesizing = true; string sentence = _sentenceQueue.Dequeue(); // 在后台线程合成 var audioData = await Task.Run(() => _ttsEngine.Generate(sentence)); // 回到主线程播放 // ... 转换AudioClip并播放 ... _isSynthesizing = false; // 播放结束后，递归调用播放下一个 // 注意：需要在AudioSource播放结束的事件中触发PlayNextInQueue }

6. 平台发布与性能优化实战

6.1 Windows/PC平台发布

这是最简单的平台。确保在Build Settings中选择了正确的目标平台（Windows）。sherpa-onnx的Windows插件（DLL）会自动打包进_Data/Plugins/目录下。StreamingAssets文件夹的内容会被复制到可执行文件同级目录的项目名_Data/StreamingAssets/下。运行时路径Application.streamingAssetsPath会自动指向正确位置，代码无需修改。

6.2 Android平台发布

Android平台的配置稍复杂，但遵循步骤后也很稳定。

1. 插件检查：确认sherpa-onnx-unity/Runtime/Plugins/Android/下的各架构（arm64-v8a,armeabi-v7a）文件夹已正确导入。Unity在打Android包时会自动选择对应的原生库。
2. 构建配置：
   • 在Player Settings -> Other Settings中，将Scripting Backend设置为IL2CPP，这是Unity官方推荐且对原生插件兼容性更好的后端。
   • 在Target Architectures中，至少勾选ARMv7和ARM64，以覆盖绝大多数Android设备。
   • 确保Minimum API Level设置在24或以上。
3. 模型文件处理：Android APK是一个压缩包，StreamingAssets中的文件在安装后会存放在应用的私有存储空间。我们的代码使用Application.streamingAssetsPath在Android上会返回一个形如jar:file://...的路径。关键点：sherpa-onnx的C++底层库可能无法直接读取这种Android特有的URI路径。因此，一个可靠的实践是：在应用启动时，将模型文件从StreamingAssets复制到可读写的持久化数据路径（Application.persistentDataPath）。

   IEnumerator CopyModelFilesToPersistentPath() { string sourceDir = Path.Combine(Application.streamingAssetsPath, "TTSModels"); string targetDir = Path.Combine(Application.persistentDataPath, "TTSModels"); if (!Directory.Exists(targetDir)) Directory.CreateDirectory(targetDir); // 处理每个模型文件 string modelName = "vits_zh_aishell3"; string[] requiredFiles = new string[] { "model.onnx", "tokens.txt", "lexicon.txt", "speaker.txt" }; foreach (var file in requiredFiles) { string sourcePath = Path.Combine(sourceDir, modelName, file); string targetPath = Path.Combine(targetDir, modelName, file); // 如果目标文件已存在且是最新的，可以跳过（根据文件修改时间判断） if (File.Exists(targetPath)) continue; // 从StreamingAssets加载（在Android上是特殊方式） UnityWebRequest request = UnityWebRequest.Get(sourcePath); yield return request.SendWebRequest(); if (request.result == UnityWebRequest.Result.Success) { File.WriteAllBytes(targetPath, request.downloadHandler.data); Debug.Log($"已复制: {file}"); } else { Debug.LogError($"复制失败 {file}: {request.error}"); } } // 复制完成后，将模型路径指向持久化路径 _modelPath = Path.Combine(Application.persistentDataPath, "TTSModels", modelName, "model.onnx"); InitializeTtsEngine(); // 重新初始化TTS引擎 }

   在Start()或某个初始化方法中，启动这个协程。这样，sherpa-onnx底层库访问的就是一个普通的文件系统路径，避免了兼容性问题。

6.3 性能优化要点

• 按需加载：不要在游戏启动时就初始化所有TTS引擎。可以为每个常用的说话人创建一个引擎实例，但考虑内存开销。更常见的做法是使用一个引擎，在需要时动态切换SpeakerId。
• 音频池：对于频繁播放的短语音（如UI音效、角色简短回应），可以预合成并缓存成AudioClip，避免重复合成。
• 合成批处理：如果一帧内需要合成多句不连续的文本，可以考虑收集起来，在下一帧或空闲时批量合成，减少频繁调用本地库的开销。
• 监控内存：在Profiler中密切关注AudioClip内存和Managed内存。确保及时销毁不再使用的AudioClip对象。

7. 常见问题排查速查表

下表汇总了开发过程中可能遇到的典型问题、可能原因及快速解决方法。

这个实战项目从技术选型到避坑指南，基本覆盖了在Unity中集成sherpa-onnx与vits-zh-aishell3实现离线语音合成的全链路。最深的体会是，离线AI功能的集成，三分在代码，七分在配置和调试。尤其是模型文件、采样率、平台路径这些细节，任何一个出问题都会导致功能失效。最好的调试方式就是“分而治之”：先确保sherpa-onnx插件本身能在Unity里加载，再确保模型文件能被正确读取，最后处理音频的输入输出。当你听到第一个由本地模型合成的、清晰的中文语音从游戏里发出来时，那种不依赖任何网络服务的踏实感和自由度，会觉得之前所有的折腾都是值得的。