让一段文字开口说话，AI 模型可以住在数据中心的服务器里，也可以住在手机的芯片里。同一件 TTS 的活，部署位置不同，账完全不同：云端合成把大模型放在机房，端侧合成把裁剪过的模型装进设备。两条路线没有高下，只有按场景取舍——音质与算力、断网与隐私、延迟与更新，每个维度都各有倾向。这篇按部署侧的视角把两条线摆开对照；端云分工在各类语音任务里的通用逻辑是另一个更大的话题，存量文章已覆盖，这里只算 TTS 自己的部署账，合成的内部工序见语音合成三阶段一篇。
音质与算力：模型体积的账
音质的差距首先来自模型的块头。云端不受设备约束，几十亿参数的大模型说上就上，韵律自然、情感细腻，多音字与专有名词的处理也更从容；端侧要在手机的算力与电量预算里跑，模型通常压缩到原来的几十分之一，音质能做到「好听可用」，与大模型的细腻程度相比仍有可感知的差距。这层差距的根源是算力：合成模型的每一层计算都要真金白银地跑在芯片上，云端可以堆显卡，端侧只有一块要省着用的 SoC。三段式的合成结构两条路线通用，差别在每一段分到多少算力预算，结构怎么走见语音合成三阶段一篇。
断网与隐私：数据要不要出门
部署位置也决定了数据的去向。云端合成的文本要上传服务器，一段待合成的稿子离开发送端才能变成声音；端侧合成全程在设备内完成，文字不出门，稿件与录音都留在本地。对讲机、车载语音、门禁提示这类断网也要能开口的场景，端侧是硬需求；涉及敏感稿件、内部资料的场景，「不出设备」这一条本身就是价值。反过来看，云端不背设备的电与体积，模型可以随时换代升级，端侧的模型跟着应用版本走，更新节奏慢一拍。两条线在隐私与更新这两个维度上的倾向恰好相反，选哪边取决于数据敏感度与更新频率哪头更重。
延迟与流式：两条线的节奏差
延迟结构也不同。云端的耗时由三段组成：文本上行、模型计算、音频下行，网络往返占去一截，信号波动时还会抖；端侧没有往返，模型算完就能出声，延迟低而且稳，代价是模型小、首包音质让步。两边都靠流式压延迟：边生成边播，不等整句算完，流式的机制见流式合成一篇；延迟在云端链路里怎么一层层累积、各段能压到多少，TTS 延迟一篇拆过细账。工程上常见的组合是端侧兜底、云端上探：高频短句走端侧保即时，长文案与高质量配音走云端，一套产品两条部署并存。
维度对照：按场景对号入座
把几条维度并排看：音质上限，云端占优；算力门槛，端侧受设备约束；断网可用，端侧独有；数据不出门，端侧占优；更新速度，云端占优；延迟稳定，端侧占优，云端看网络。对照下来没有全能选手，只有按场景落子：导航播报与语音助手这类高频短句，端侧的稳定延迟值钱；有声书与批量配音这类质量优先的活，云端的大模型对口；离线设备与隐私敏感场景，端侧是唯一解。长文本合成见长文本合成一篇的处理方式，这条功课两条路线都绕不开。想让取舍落到实处，可以把场景的「音质要求、断网与否、数据敏感度」三项列给豆包，让它按两条路线分别给部署建议，再让 DeepSeek 解释目标设备的算力档位适合什么规模的模型，两头一对，部署方案的雏形就有了。
| 场景 | 走哪条 | 为什么 |
|---|---|---|
| 导航播报、语音助手 | 端侧 | 高频短句，稳定的低延迟值钱 |
| 有声书、批量配音 | 云端 | 质量优先，大模型的韵律与情感更从容 |
| 对讲机、车载语音、门禁提示 | 端侧 | 断网也要能开口，属于硬需求 |
| 敏感稿件、内部资料 | 端侧 | 文字不出设备，稿件留在本地 |
云端端侧合成速查
- 音质：云端大模型上限高，端侧小模型够用但细腻度让步
- 隐私：端侧文字不出设备，云端稿件要上行服务器
- 延迟：端侧无网络往返低且稳，云端受网络抖动影响
- 更新：云端随时换代，端侧跟应用版本慢一拍
- 常见组合：端侧兜底短句，云端接长稿与高质量配音
关于TTS部署的三问三答
- 端侧音质差一截，还能用吗？：差距可感知但多数场景可接受。短句播报、导航提示、即时反馈这类用途，端侧音质已经够用；对音质敏感的成品内容，仍交给云端合成，两者按用途分工。
- 两条路线将来会合并成一条吗？：方向是端侧模型持续变大、云端链路持续提速，但设备电量与网络条件这两个硬约束长期存在，两条线并存、按场景路由的局面会延续。
- 一个应用只能选一种部署吗？：常见做法正是混用。按句子长度、网络状态、音质要求动态路由：端侧接即时短句，云端接高质量长稿，路由规则跟着产品形态调。
