Unity超轻量级中文语音播报，仅5兆大小，无需联网即可使用，适用于弹幕、提示等动态语音播出

痛点：项目想用文字转语音，调用在线 TTS 有网络依赖、限流、付费；商业离线语音库体积巨大授权昂贵。这里分享一套轻量化离线中文语音播报完整方案，3500 常用字，同音字复用压缩体积，Unity 直接开箱使用。

🎯方案总览

整套链路分为 7 个环节：在线 TTS 生成音频素材 → 3500 常用字筛选 → 拼音分组降噪缩量 → Python 批量导出男女声音频 → Unity 加载解析配置 → 音频预处理裁剪优化 → 成品离线语音播报组件。全程不需要复杂训练模型，借助 Edge‑TTS 生成原始音频，靠同音字复用把资源体积压到极小。

1. 在线 TTS 初步尝试

一开始优先考虑直接调用云端 TTS 接口做实时播报，分别尝试了sherpa-onnx、UnityPiper。

但线上方案硬伤很明显：需要联网、接口限流、有调用成本；弹幕高并发场景容易卡顿失败；项目打包离线环境直接失效。

结论：对于小游戏、直播间工具、离线客户端，云端 TTS 并不合适，转向预生成单字音频的离线方案。

2. 基础字库：3500 常用汉字

选取国标 3500 常用汉字作为基础字库，覆盖绝大多数日常聊天、弹幕、UI 提示文本。不需要几万生僻字，绝大多数场景 3500 字足够。生僻字符、未知符号统一走兜底读音。

复制代码

//伪码：读取3500常用字txt
charList = LoadText("3500_common_char.txt")

3. 按拼音分组，极致压缩资源体积【核心优化】

关键点：大量汉字是同音字，不需要每个汉字一份音频！按拼音进行分组，同一个拼音只保留 1 份代表字音频，组内全部汉字复用这一段音频 。例如：丁、订、叮、盯、顶、定、鼎全部复用「丁」的音频文件。原本 3500 份音频，经过拼音分组之后，音频数量直接缩减到约 400‑500 份，资源体积直接降到原来 1/7 左右。

复制代码

//伪码：拼音分组
dict<char, pinyin> char2Pinyin = LoadPinyinDict()
dict<string, List<char>> pinyinGroup

foreach char in charList:
    py = char2Pinyin[char]
    pinyinGroup[py].Add(char)

//输出分组配置：groups_comma.txt，一行一组同音字
foreach group in pinyinGroup.Values:
    WriteLine(groups_comma, Join(group))

4. Python + Edge‑TTS 批量生成男声、女声原始音频

使用 edge‑tts python 库批量合成每组的代表字，分别导出男声、女声两套 wav 音频。

只需要生成每组第一个代表字，不需要给全部 3500 个字生成音频。

复制代码

#伪码 Python edge‑tts批量导出
import edge_tts

voice_man = "zh‑CN‑YunxiNeural"
voice_woman = "zh‑CN‑XiaoxiaoNeural"

for main_char in mainCharList:
    #生成男声
    communicate = edge_tts.Communicate(main_char, voice_man)
    await communicate.save(f"man/{main_char}.wav")
    #生成女声
    communicate = edge_tts.Communicate(main_char, voice_woman)
    await communicate.save(f"woman/{main_char}.wav")

输出素材：Man/、WoMan / 文件夹，存放代表字 wav 音频。

5. Unity 编辑器工具，预处理配置表

写 Unity 编辑器工具，完成两件事：

扫描音频文件，读取每个代表字音频时长，输出voice_duration.txt，运行时直接读取，运行时不解析音频文件，降低性能开销。
一键生成符号转义配置表symbol_table.txt：标点符号、大小写 A‑Z 英文字符映射为中文读音（例如A→诶、{→括号）。
内置校验工具，检查符号映射的播报汉字是否全部存在字库，提前发现缺失读音。

//伪码 Unity编辑器工具
[MenuItem("Tools/语音字库/构建配置")]
static void BuildConfig()
{
//遍历AudioClip，采集音频时长输出txt
foreach clip in AllAudioClip:
WriteLine(voice_duration, $"{clip.name}|{clip.length}")
复制代码
```
 //生成符号&字母映射模板 symbol_table.txt
 GenerateSymbolTableTemplate();
```
}

运行时逻辑：

加载groups_comma.txt，构建字典 char → 代表字，同音字全部映射到同一个音频 key；
加载符号表，输入文本遇到标点、英文字母自动替换成播报汉字；
未知汉字自动使用兜底字 "叉" 发音，避免无声。

6. 音频播放层优化：语音裁剪 + 多声道池队列轮播

原始 Edge‑TTS 输出 wav 音频开头自带约 0.2s 静音空白，如果顺序播放，字和字之间会有明显卡顿空档。优化手段：

音频预裁剪：把音频尾部多余静音裁掉，同时代码层面设置preFireOffset参数，提前触发下一个字播放，抵消音频前置空白。
多 AudioSource 声道池，支持音频轻微重叠，朗读更顺滑。
播报消息队列：多条文本播报请求进入队列，一条播完自动播下一条；支持清空队列、立刻停止播放。

//伪码队列播报逻辑
Queue<List> speakQueue;

//外部调用，加入队列，不打断当前播放
public void SpeakText(string text)
{
var voiceKeyList = TextToVoiceKeyList(text);
speakQueue.Enqueue(voiceKeyList);
if(!isPlaying) StartCoroutine(QueuePlay());
}

IEnumerator QueuePlay()
{
while(queue.Count>0){
var item = queue.Dequeue();
yield return PlaySingleSpeech(item);
}
}

IEnumerator PlaySingleSpeech(keyList)
{
foreach(key in keyList){
PlayAudioFromPool(key);
//扣除前置静音偏移，控制字间隔
wait = Max(0.01f, clipDur‑preFireOffset + wordGap);
yield return WaitForSeconds(wait);
}
}

7. 成品：Unity 离线语音播报组件

✅完全离线，零网络依赖，无 API 调用费用

✅资源体积小：依靠拼音同音字复用，3500 常用字只需要几百份音频

✅支持汉字、标点符号、26 大小写英文字母

✅消息排队轮播，适合直播间弹幕、欢迎语、UI 提示音

✅全套编辑器工具，配置表驱动，新增符号无需修改代码

✅缺失字符兜底，不会出现无声 bug

适用场景：独立游戏、直播间弹幕工具、客户端离线小工具。

目前的音色偏机械音，女声还需要再调下参数，主要用作播报的动态名字。

这款插件的主要优点就是离线、体积小，不受运行环境影响，缺点就是比较生硬。如果预算充足，可以考虑使用科大讯飞、阿里云或者腾讯云。

点击即可查看详情，并进行购买测试。

如需优化定制，或者考虑接第三方SDK，都可以联系博主。