TinyTTS —— 让照片“开口说话”的神经语音模块 一种完全离线的嵌入式神经语音相册方案

项目难度：初学者

制作时间：约 2 小时

提供完整说明与可直接运行 Demo

项目简介

TinyTTS 是一个运行在微控制器上的离线神经语音合成（TTS）模块。
在本项目中，它被用来实现一个极具情感表达力的应用：会说话的照片。

用户只需为每一张照片写下几句简短的文字，当相册被翻阅时，设备便会自动朗读这些文字，仿佛照片本身在讲述回忆。

公式非常简单：

照片 + 文本 → 语音

但最终呈现的效果，却远远不只是技术本身，而是情感。

设计初衷与故事背景

当我们翻看旧照片时，大脑会自动补全声音：
厨房里的笑声、车站的背景噪音、有人轻声说一句“还记得吗？”

这个项目的初衷，正是让这些声音不只存在于记忆中。

最初的形态是一个 Family Storyteller（家庭故事机）：
几张童年照片、几句关于趣事的文字，按下播放键，相框便开始“说话”——完全离线。

随后，这个想法扩展成了 Talking Places（会说话的地点）：
打开一张旅行照片，仿佛城市本身在低声讲述故事，指引你下一步该去哪里。

项目核心特点

• 完全离线运行（无云端、无网络、无延迟）

• 神经语音合成在本地 MCU 上完成

• 图像 + 文本 + 语音的高度整合

• 用户可控制播放顺序、节奏与停顿

• 极低系统复杂度，极高情感表现力

• 适用于家庭、博物馆、教育、旅行展示等场景

系统组成

硬件组件

• TinyTTS 套件（Elecrow / Tindie）

• 内置神经网络 TTS 引擎的语音模块

• CrowPanel Advanced（ESP32-S3）

• 显示控制、UI、存储与通信主控

• 扬声器（连接至 TinyTTS 音频输出）

软件环境

• Arduino IDE（可选）

• ESP-IDF（v5.4）

• 提供完整预编译固件与源码构建方式

快速开始（Ready Demo）