一句NPC对白在模型里合成得很快，播放器仍可能断续：音频回调需要下一块样本时，推理线程还没交付。把平均生成速度写成“毫无延迟发声”，会掩盖这类最常见的集成问题。

Pocket TTS官方仓库在十月加入小英语模型，列出了含解码器的参数规模。这是值得关注的CPU语音路线；它没有替任何游戏证明中文对白、手机功耗或稳定首包。端侧接入仍应从队列开始。

至少区分三个时刻

文本进入系统、首块可播放PCM到达、首块真正送入设备，分别受文本前端、推理、缓冲和音频设备影响。整句生成用时除以音频时长得到的实时率，也不是首包延迟。

先给每块音频记录序号、样本数和所属对白。取消对白后，迟到的旧块不能混入新对白。不同采样率的块也不能只靠拼接解决；重采样应位于明确的处理层。

回调里不要等待模型

设备回调需要有界工作量：从现成队列取样本，不足时使用明确的静音/退化策略，同时计数欠载。分配大块内存、同步下载权重、持锁等待推理，都不适合放在这条路径上。

VoXtream仓库的十月更新涉及语速控制；其使用说明仍列明CUDA环境和显存要求。不能只看到“低延迟”三个字，就把模型直接当成已验证的手机离线声码器。

先用假样本查明队列行为

下面的整数代表音频样本，并非合成出来的语音。读取长度超过现有样本时，程序补零并记录欠载；这样测试可以直接看见缺口，不必用听感形容词猜测发生了什么。

真实设备还应区分一次回调缺几个样本、连续欠载多久、是否发生溢出以及线程间可见性。一个样本队列测试通过，不能替代这些测量。

首块到达、队列累积和设备播放是三个阶段；队列不应等待推理线程。

把关键规则缩成一个可运行例子

下面使用 Python 3 标准库表达算法规则，保存为example.py后运行python3 example.py。它便于观察输入和输出，不替代引擎中的 C++、Shader 或模型实现。

from collections import deque class AudioQueue: def __init__(self): self.samples = deque() self.missing = 0 def push(self, chunk): self.samples.extend(chunk) def read(self, count): out = [] for _ in range(count): if self.samples: out.append(self.samples.popleft()) else: out.append(0) self.missing += 1 return out q = AudioQueue() q.push([2, 3, 4]) assert q.read(2) == [2, 3] assert q.read(3) == [4, 0, 0] assert q.missing == 2 print("missing samples:", q.missing)

本例输出：

missing samples: 2

播放策略不必永远补零，但必须能解释退化：是静音、短淡出还是重启对白。长时间重复上一块波形可能掩盖日志中的欠载，却让对白出现循环。选择策略以后，保留原始计数和音频样本再评价。

适用范围

本例只验证FIFO和欠载计数，未生成、试听任何真实语音，也未测量NPU、功耗、MOS或端到端延迟。

相关资料

• Pocket TTS官方仓库
• VoXtream官方仓库