离线语音合成（Offline TTS）是指在本地设备上运行语音合成模型，无需联网即可将文本转化为自然流畅的语音。与在线TTS依赖云端API不同，离线方案将声学模型、声码器等核心组件全部部署在终端，彻底摆脱了网络限制。

当前主流离线TTS技术以端到端模型为核心，代表方案包括VITS、FastSpeech2、Tacotron2+WaveGlow以及微软VALL-E等。其中，VITS凭借变分推断与对抗训练的结合，在语音自然度和推理速度上表现突出；FastSpeech2则以非自回归架构实现了毫秒级实时合成。此外，OpenAI的Bark和Meta的Voicebox也推动了多语言、带情感的离线合成能力。

离线TTS的核心优势在于：零延迟、零流量、隐私安全。它广泛应用于智能车载、无网络灾区通信、嵌入式IoT设备、无障碍阅读等场景。随着模型轻量化技术（如知识蒸馏、量化剪枝）的发展，如今手机端也能流畅运行高质量TTS模型，部分方案体积已压缩至50MB以内。

未来，离线语音合成将向更自然、更多情感、更低资源消耗的方向持续演进，真正让AI语音无处不在。