在手机端实现离线语音合成，核心挑战是在有限算力下跑通高质量TTS模型。目前最主流的实践路径是：选型→轻量化→部署→推理优化。

第一步：模型选型。 推荐从VITS或FastSpeech2入手。VITS音质更优，适合对话类应用；FastSpeech2速度更快，适合播报类场景。若追求情感丰富，可选Bark小型版，但需确认手机GPU性能。

第二步：模型轻量化。 通过INT8量化将模型从FP32压缩至INT8，体积可缩减75%。配合知识蒸馏，用大模型训练小模型，在保留90%音质的前提下将参数量砍半。最终模型体积可控制在30-80MB之间。

第三步：部署推理。 推荐使用ONNX Runtime或TFLite作为推理引擎。Android端可通过NNAPI调用GPU加速，iOS端可通过Core ML直接部署。实测中，骁龙8 Gen2上VITS推理延迟约80ms，完全满足实时对话需求。

第四步：持续优化。 开启混合精度推理、内存复用、KV Cache等策略，可进一步将延迟压至50ms以内，同时降低30%功耗。