如果一个玩具、家电或传感器想开口说话，通常要么联网调用云端服务，要么配上更强的计算硬件。sanoTTS想走第三条路：把整套文字转语音能力塞进一颗廉价微控制器，让设备断网也能直接合成人声。
微控制器（MCU）是把处理器、内存和外设控制装进一颗芯片的小型平台，资源远少于手机和电脑。项目作者称，sanoTTS最小只有294K参数，经int8量化——把模型里的数字压缩成8位整数——后，权重文件为337KB，可运行在约3美元、仅有512KB SRAM且没有NPU的ESP32上。NPU是专门加速神经网络的处理器；不用NPU，意味着它依靠芯片自身的通用计算单元工作。
本文所有性能与规模数字均来自项目作者发布的Reddit帖文及其项目载体，目前没有独立信源复核。
小，不只是少几个参数
sanoTTS不是单个模型，而是一套完整的TTS（Text-to-Speech，文字转语音）技术栈。其模型规模覆盖294K至220万参数，支持11种声线和6种语言。作者还提供了扩展语言与声线的操作方案。
最值得看的不是“小模型”这个标签，而是压缩后的能力组合：多语言、多音色、完整合成链，以及在资源极少的设备上运行。作者称其为“迄今最小的神经网络TTS模型”，并称它比Kokoro小约1000倍、比Voxtral TTS小约9000倍。不过，这些都是项目方的极值和营销性表述，帖子没有界定比较范围，也没有提供独立检索证明。
速度同样激进。作者报告，sanoTTS在ESP32上的RTF为0.225。RTF可以理解为“生成音频所花时间与音频时长的比值”：数值越低，生成越快。按作者的近似说法，它能用1秒生成约4秒音频。这意味着设备理论上不必等上一句说完的时间，才合成出下一句。
大一点的版本，声音怎么样？
极限压缩容易，压缩后还能不能听才是关键。作者给出的约150万参数版本sanoTTS-Amy，SCOREQ为4.13，UTMOS为4.10。这两项都是用来估计合成语音质量的评分指标。
在SCOREQ单项比较中，参数口径写作151万的sanoTTS-Amy得到4.13，高于463万参数的Inflect Nano的3.81，也高于1500万参数KittenTTS的3.02。换句话说，它在这一项指标上超过了参数量约为自身3.1倍和9.9倍的模型。但这不能扩写成综合质量全面领先。
作者还称该系列在Whisper评测中取得约2%的WER。WER即词错误率，用来衡量识别出的文字与原文相差多少，通常越低越好。这里可以把它看成一种间接检查：把合成语音交给语音识别模型，看看内容是否说清楚。
为什么值得关注？
它展示的不是手机端AI，而是更靠近资源底线的生成式语音：没有专用神经网络加速器，只有512KB SRAM，也试图完成多语言、多声线合成。如果这些结果能被复现，低成本家电、玩具和离线设备就可能拥有更自然的本地声音，不必把文本送上云端。
据Ampixa Labs与sanoTTS GitHub介绍，“sano”在尼泊尔语中意为“小”。团队也长期制作Nepali TTS、Devanagari字音转换工具和开放语音语料。因而，这次压缩不仅关乎芯片极限，也指向一个具体用途：让尼泊尔语等资源较少的语言，不必依赖云端巨型模型才能开口。
项目还通过WebAssembly提供网页运行方式。WebAssembly是一种可在浏览器中高效执行的可移植格式；开发者可使用sanotts-web npm包，把合成能力直接嵌入网页。代码、模型和在线演示已分别发布在GitHub、Hugging Face与演示站。
局限与未知
- 337KB只是量化后权重大小。帖子没有披露峰值运行内存、代码与缓冲区占用、ESP32具体型号、时钟、外部存储及完整量化方案，因此尚不能仅凭文件大小确认512KB SRAM下的运行边界。
- SCOREQ、UTMOS和约2% WER均未交代评测集、语言、声线、样本量与统一测试条件；RTF是否包含前后处理也不明确。
- sanoTTS-Amy的参数量在标题、正文和比较段分别出现146万、约150万和151万三种口径；“3美元”也缺少芯片型号、采购数量和价格来源。