第八章：表达篇 - 对接云端语音合成，让助手“开口说话”

本章系统讲解云端 TTS（Text-to-Speech，文本转语音）的技术原理与工程实现，结合本项目的 Provider 架构、事件总线与音频服务，给出可运行的 HTTP API 对接示例、音频流处理与缓冲实现、播放链路的接入方法、错误处理与性能优化策略，并通过流程图与时序图串起“从文本到声音”的完整闭环。

---

8.1 揭秘云端TTS：从文本到自然语音的魔法

• 选择云端 TTS 的工程动机

  • 成本与效率：自研 TTS 涉及海量语料、时长标注与大规模训练；云端 TTS 提供成熟模型、可配置音色与风格，快速落地生产。
  • 效果与覆盖：主流云 TTS 支持多语种与多音色、情感与风格（播报/客服/角色），鲁棒性与可维护性更强。
  • 迭代与稳定：API 升级平滑，运维开销较小，适合在产品迭代周期中稳定融合。

• 技术结构总览（文本→语音）

  • 文本正规化（Text Normalization）：数字、单位、时间等规范化（如“3kg”→“三千克”），避免发音不一致。
  • G2P（Grapheme-to-Phoneme）：将文字映射为音素序列（/sh/, /a/, …），为发音与韵律提供离散表示。
  • 韵律与时长预测（Prosody & Duration）：预测停顿、重音、语速与音节时长，决定自然度与可懂度。
  • 声学建模（Acoustic Model）：将（文字/音素+韵律）映射为声学特征（