让一块便宜的小芯片直接把文字念出来，过去往往要牺牲听感，或把内容发到云端。Lokutor 团队推出的 ItoTTS，瞄准的正是离线语音交互的“输出端”：它能在售价约 5 美元的 ESP32-S3 上运行，提供两种英语音色，每种音色的模型权重为 4.89 MB。TTS 即“文字转语音”，与把人声转成文字的 ASR 方向相反；这也接上了该团队此前让 ESP32-S3 离线听懂英语的 Oído。
ItoTTS 支持流式合成，也就是整句话还没算完，设备便能陆续播放声音。输出音频为 24 kHz，表示每秒记录两万四千个采样点，但这个数字本身不等于自然。团队用自动语音质量指标 UTMOS 测试了八句话：Ito 得分 4.46，接近作为“老师”的 StyleTTS 2（4.49），并高于两款对比模型的 3.98 和 2.07。不过这些都是作者自述的小规模自动评测，并非独立人工听测；真机速度尚未测量，文字转音素目前也仍在主机端完成。