Perkembangan teknologi TTS (text-to-speech) berbasis neural telah meningkatkan kualitas sintesis suara secara signifikan sehingga menjadikannya komponen penting dalam sistem asisten virtual serta human-robot interaction (HRI) berbasis suara. Seiring meningkatnya penggunaan Large Language Model (LLM) pada asisten virtual, kebutuhan terhadap sistem TTS yang responif, menjaga privasi data, dan mampu beroperasi secara lokal pada perangkat edge semakin penting. Namun, implementasi TTS lokal masih menghadapi beberapa kendala, terutama keterbatasan model bahasa Indonesia yang sesuai untuk edge device serta tingginya latensi yang dapat mengurangi kualitas interaksi real-time. Penelitian ini mengusulkan implementasi dan optimasi Piper-TTS sebagai modul TTS lokal pada asisten virtual berbasis Raspberry Pi. Model dibangun menggunakan arsitektur VITS end-to-end dengan vocoder HiFi-GAN dan diadaptasi ke bahasa Indonesia melalui fine-tuning menggunakan dataset suara berdurasi sekitar 10 jam terdiri dari 6.367 file audio, lalu dikonversi ke format ONNX. Untuk menekan latensi TTFA (Time to First Audio), arsitektur sintesis streaming produsen konsumen multithread diterapkan. Hasil pengujian menunjukkan metode streaming mencapai TTFA yang hampir konstan sebesar 1220 milidetik terlepas dari panjang input, sedangkan metode standar meningkat secara linear sebesar 72,76 milidetik per kata dengan nilai R² 0,999. Pada teks berisi 1.000 kata, metode streaming mengurangi latensi TTFA hingga 98,2% dan beroperasi 55,95 kali lebih cepat. Kedua metode mempertahankan RTF (real-time factor) yang relatif sebanding 0,126 dan 0,128. Evaluasi subjektif memberikan Skor MOS (Mean Opinion Score) 4,00 dari 5,00 oleh 30 responden. Integrasi sistem dengan LLM berbasis cloud dan lokal secara berturut-turut mencapai latensi TTFA rata-rata 2,10 detik dan 2,04 detik, meskipun pemrosesan lokal mengalami contention.