最近大半年都在折腾一件事：让手机上的阅读类 App 能用一个听起来像人的声音，把文字念出来。为了这个目标，选型、框架、参数、听感，来来回回推翻了好几轮。很多结论当时觉得记住了，隔两周又要重新查一遍，所以干脆开个地方写下来。

这里会写什么

• 语音合成引擎的选型与听感评估，尤其是中文长句、多音字、停顿这些容易翻车的地方；
• Android TTS 框架的系统级接入，以及新版本上那些文档里不太写的行为；
• 顺手的建站、部署、运维记录——比如这个站本身是怎么在一台新机器上跑起来的。

这个站怎么搭的

emlog Pro 2.6.36，跑在 OpenCloudOS 9 上，nginx 1.29 + PHP 8.3 + MariaDB 10.11，证书是 Let's Encrypt 签的，全程 HTTPS。没用面板的一键部署，主要是想把每一步都摸清楚，省得以后出问题不知道从哪儿查。具体踩了哪些坑，单独写了一篇。

文章不多，先放几篇，之后慢慢补。写错的、想过但没想明白的，也一并留在这儿。

安装包名和别处不一样

软件源里有 nginx-core 1.29、php-fpm 8.3、mariadb-server 10.11，但没有 nginx 和 php 这两个元包。dnf install nginx php 会直接报 Unable to find a match。逐包装才顺，顺带把 php-mysqlnd、php-gd、php-mbstring、php-xml、php-pecl-zip 补齐。

nginx-core 不带 systemd unit

最费时间的是这个：包装完 systemctl start nginx 回 Unit nginx.service not found，nginx -t 却是好的。原因是服务文件在另外的包里。自己补一个 unit 最省事，用 Type=simple 加 nginx -g 'daemon off;'，连 PIDFile 都不用纠结。

nginx 和 php-fpm 要同一个用户

默认 php-fpm 跑 apache，而这里 nginx 跑 nginx。站点目录、上传目录、session 目录的写权限会互相打架。把 www.conf 里的 user/group 一起改成 nginx，再把 fastcgi 走 127.0.0.1:9000，比调 unix socket 的 ACL 省心。

安装向导提交时别忘了 Host 头

emlog 的 install.php?action=install 是标准表单，可以用 curl 无人值守提交。但它会把 BLOG_URL 写成当次请求的域名——如果图省事用 http://127.0.0.1/install.php 提交，以后所有链接都会指到 127.0.0.1。正确做法是带 -H "Host: 你的域名"，装完再核对一遍数据库里 blogurl 的值。

最后两步

建库时直接指定 utf8mb4；证书用 certbot 的 webroot 模式签，80 端口只留 /.well-known/acme-challenge/ 给续期用，其余 301 到 HTTPS。装完记得确认 install.php 已被删掉（向导会自己删），以及清一次 content/cache/ 下的缓存，否则改过的站点配置不会立刻生效。

我实际比较了什么

参数表上的 MOS 分、采样率、模型规模，参考价值有限，因为最终场景是「听一整章小说」，不是念一句「今天天气不错」。我把比较收窄到四个地方：

1. 长句的呼吸感：三十字以上的句子，逗号处停多久、有没有不该断的地方断了。
2. 多音字和专名：「行长」「重庆」这类，以及人名、书名里不常见的字。
3. 情绪的平：朗读最怕每句都带一点播音腔，听二十分钟会累。
4. 变速之后还像不像人：这一条权重最高，因为产品里语速是要交给用户调的。

怎么听才不算自欺欺人

固定一段三千字左右的文本，一半叙事一半对话；同一副耳机，同一音量；把不同引擎的输出切成十段打乱顺序，隔天再听一遍，看还能不能分出来哪个是哪个。第一次能分出来不算本事，第二天还能分出来，差别才是真的。

MiMo 在这套听法下最明显的优势是句尾不飘、长句里停顿的位置比较克制，变速到 1.3 倍也不会出现那种「赶着念完」的挤压感。短板也有：极短的单句有时略显平，需要靠前端的文本归一化和标点处理补一下。

选引擎别只看单句 demo，拿你真实要读的内容去听，而且要在你打算让用户用的那个语速上听。

还有一层约束

因为要做的是能被系统阅读类 App 调用的引擎，不是自带播放器的独立应用，所以「声音好不好」只是入场券。还得看它能不能稳定地按 Android TTS 框架的回调方式把音频流吐出来、能不能在合成过程中响应中断、以及语速参数能不能落到底层。这部分后面单独写。

最小的骨架

核心是继承 TextToSpeechService，在 manifest 里声明服务，并让系统能在「文字转语音输出」设置里找到它：

<service android:name=".MimoTtsService"
         android:label="@string/engine_name">
    <intent-filter>
        <action android:name="android.intent.action.TTS_SERVICE" />
    </intent-filter>
    <meta-data android:name="android.speech.tts"
               android:resource="@xml/tts_engine" />
</service>

xml/tts_engine 里指向一个 settings Activity，用来放语速、音色这些开关。系统设置页会直接拉起它。

三个必须实现的方法

• onIsLanguageAvailable(lang, country, variant)：别偷懒一律返回 LANG_AVAILABLE，中文简繁、中英混排的判断要在这里说清楚，不然阅读 App 会误判可用性。
• onGetVoices() / onGetDefaultVoiceNameFor()：较新版本靠这个列音色，返回空列表会让部分客户端直接禁用引擎。
• onSynthesizeText(request, callback, params)：真正干活的地方，用 SynthesisCallback 依次 start() → audioAvailable(byte[]) → done()。

override fun onSynthesizeText(
    request: SynthesisRequest,
    callback: SynthesisCallback,
    params: Bundle
) {
    val rate = request.speechRate   // 客户端 setSpeechRate() 传进来的
    callback.start(SAMPLE_RATE, AudioFormat.ENCODING_PCM_16BIT, 1)
    engine.stream(request.charSequenceText.toString(), rate) { chunk ->
        if (!callback.isDone) callback.audioAvailable(chunk, 0, chunk.size)
    }
    callback.done()
}

几个容易踩的点：audioAvailable 要在合成线程里持续喂，别等整段合成完一次性给，长章节会明显感到起播慢；onStop() 必须真的把合成任务取消掉，翻页时系统会频繁调用；回调期间要检查 callback.isDone，否则中断后再写会抛异常。

Android 16 上要多留意的

targetSdk 提到新版本后，后台启动和前台服务的限制更严，长时间朗读别依赖一个常驻后台服务自己保活，跟着系统的合成生命周期走更稳。另外 SynthesisRequest 里能拿到的参数比想象中少，语速、音调之外不要指望客户端把自定义字段透传过来——真要扩展，走自己的 settings 加共享配置更现实。

调试时最省事的办法，是写一个只调 TextToSpeech 并显式指定引擎包名的小测试 App，比在系统设置里来回切引擎快得多。

第一版：直接把 float 透传下去

Android 的 TextToSpeech.setSpeechRate(float) 传进来是个浮点，1.0 是标准。第一版我原样交给引擎，结果 0.7 以下声音开始发闷，1.6 以上辅音糊成一团——底层做的不变速变调，而引擎内部其实只认几个离散档位，中间值是被插值出来的。

第二版：分段映射 + 边界保护

把用户可选范围收到 0.75～1.5，按档位映射，并在两端留一点余量：

fun mapRate(ui: Float): Float = when {
    ui < 0.9f -> 0.8f
    ui < 1.1f -> 1.0f
    ui < 1.3f -> 1.2f
    else       -> 1.5f
}

听感上，档位之间有一点跳，但每一档都是干净的。朗读场景里，用户其实记不住 1.13 和 1.17 的区别，能记住的是「稍慢」「正常」「稍快」。

第三版：不给用户裸滑条

最后 UI 改成四个预设加一个高级里的连续滑条。原因不是技术，是使用场景：听小说时人在走路、做饭、开车，没人会停下来精细调 0.05 倍。预设一按就走，滑条留给少数真的想调的人。

还有两个细节：切换语速要作用在「下一句」而不是当前正在播的这一句，否则会听到一声明显的拼接；以及语速设置要跟着引擎一起持久化，阅读 App 每次新建 TextToSpeech 实例时并不会替你记住上次的值。

可调语速的价值不在「能调」，在「调完之后仍然像在听人念书」。