流式语音合成（Streaming TTS）指的是：文本一边往里送，音频一边往外吐，不等整段话合成完就开始播放。用户的体感是"刚点下、刚说完，声音就出来了"。
整句合成慢在哪
传统做法（离线合成，offline TTS）是一条串行流水线：文本前端做分词、注音、韵律预测；声学模型（acoustic model）把整句文字转成梅尔频谱（mel spectrogram）；声码器（vocoder）再把频谱还原成波形。三步全部做完，才把一整段音频交给播放器。所以首包延迟大致等于"整句处理时间"，句子越长，等得越久。
流式怎么做到边生成边送
关键是"分块 + 有状态"。
文本被切成小片段（几个字、一个短语）依次进入；声学模型改用因果结构——只依赖已经出现的内容，不看后面的字，同时把上一步的内部状态缓存下来（state cache），下一步接着算。每算出一小段频谱，立刻推给声码器；流式声码器同样只依赖历史采样点，收到多少帧就吐多少波形。音频再分块推送到播放端，播放器缓冲区里有一点就先播一点。
打个比方：整句合成像等一桌菜全做完才上菜；流式像边炒边上，第一道端上桌时，后面的还在锅里。代价是"看不到后文"，切块边界处的停顿、语调和音质要额外处理；给模型留一点前瞻（lookahead）会更好听，但延迟也随之上升。
| 离线整句合成 | 快速整句合成 | 流式合成 | |
|---|---|---|---|
| 出声时机 | 整句算完 | 整句算完，只是算得快 | 第一块算完就出声 |
| 首包延迟 | 随句子变长而增长 | 随句子变长而增长 | 基本与句子长短无关 |
| 韵律与音质 | 能看到全局上下文，通常最好 | 同左 | 受切块和前瞻限制 |
| 典型场景 | 有声书导出、配音 | 短句播报 | 语音助手、实时对话、同传 |
顺带区分一个容易混的指标：实时率（Real-Time Factor, RTF）小于 1 只说明"算得比播得快"，并不等于流式——整句算完再播，用户照样要干等。流式是一种系统组织方式，不是单纯的"模型跑得快"。
对从业者和普通人的意义
做评估时别只看音质，先看首包延迟、块与块之间是否连贯、长文本会不会越读越漂，以及能不能被打断（barge-in）。文本前端也得流式化：增量分词、增量注音，否则前端一卡，后面全在等。对普通人来说，流式让语音交互的节奏接近真人对话——助手不必"憋"完整句才开口，实时翻译能跟着说话人一路往下走。具体实现参数与能力，以各官方页面为准。