反馈

文本转语音

我要提建议

把中文文字读成声音（仅限中文）：本机跑中文语音模型（187 个说话人，首次使用下载约 115MB、之后存在本机缓存），可以先「预览音色」听一遍再挑，合成后还能用「音高 / 共振峰 / 温暖 · 临场 · 齿音 / 气声 / 压缩」和 50 个模板继续塑造音色，导出 WAV / MP3。全程本地，文字数据不出设备。

相关工具

这个工具是做什么的

把讲稿变成配音、给视频做旁白、做无障碍朗读，都需要文字转语音。这个工具把**中文语音模型放在本机跑**（16kHz、187 个说话人，模型 115MB，首次使用下载一次、之后存在本机缓存里），所以文字数据不出设备。注意：仅限中文 —— 文本前端是中文词典查表，英文字母会被跳过不发音（不接英文模型）。**挑音色不用等模型**：点「预览音色」会列出每个说话人预先烘好的一段试听音频（十来 KB 一条），点哪听哪，听中意的那个再把它选为说话人。选好之后还能继续调：语速、句间停顿，以及一整套音色参数 —— 音高、共振峰 F1/F2（决定「像哪一类人」）、温暖（低频厚度）、临场（清晰度）、齿音抑制、气声、动态压缩，再加 50 个现成模板（电台主播 / 甜妹音 / 低音炮 / 有声书 / 电话听筒…）一键套用。需要说明两点：模型的采样率是 **16kHz**（带宽上限 8kHz），所以音色链里的「齿音抑制（5~9kHz）」只有 5~8kHz 那一段起作用；另外音色来自公开语料，不是某个具体的人。

使用方法

  1. 输入要朗读的中文文字（最多 300 字，长文请分次；仅限中文，英文字母不发音），首次使用会下载约 115MB 的语音模型，之后存在本机缓存里（刷新、重开浏览器、离线都不用再下）。
  2. 不确定挑哪个音色时先点「预览音色」：弹窗里是每个说话人烘好的试听音频，点一行就听、顺手选中（这一步不用加载模型）。
  3. 选说话人（187 个，没有性别 / 姓名标注，靠试听挑）、调语速与句间停顿，点「合成语音」试听；没下载模型会先问你一句要下多少 MB。
  4. 需要的话套一个音色模板，或手动调音高 / 共振峰 / 温暖 / 临场 / 气声 / 压缩。
  5. 选导出格式，点「处理音频」导出成品。

常见问题

音质为什么不是真人那种感觉？
这是「本机跑得动」的取舍：当前模型 16kHz（带宽上限 8kHz）、体积 115.6MB，比电话音质（8kHz 采样）好一档，但离真人还有距离，而且越大越慢（实测 13 字约 4.5 秒、21 字约 7.1 秒）。想要更接近真人得上几百 MB 的 22kHz 以上模型，需要单独接入 —— 那已经不「轻」了，会明显吃带宽与算力。另外因为带宽上限是 8kHz，音色链里的「齿音抑制（5~9kHz）」只有 5~8kHz 那一段生效。
和系统自带的朗读（Web Speech API）有什么区别？
系统朗读只往扬声器输出，拿不到音频数据，所以既不能导出文件、也没法做音色处理。这里用的是本地语音模型，直接产出采样数据，因此可以：叠加音色处理、导出 WAV / MP3、离线使用（模型缓存后不联网）。代价是首次要下载 115.6MB 模型，且合成要等（实测 13 字约 4.5 秒），速度取决于机器。
文字会上传吗？
不会。模型与文本前端数据都在浏览器里跑，合成、音色处理、编码全部在本机用本地引擎完成，没有把文字发出去的请求。
能调成某个人的声音吗？
不能。模型提供 187 个说话人（来自公开中文语音语料），你可以在这 187 个之间挑，再用音色参数把音高、共振峰、亮度、气声往某个方向调；但要「变成某个具体的人」需要说话人转换模型，不在这个工具的范围里。
「预览音色」为什么点开就能听，不用等模型？
那些试听音频是**提前用同一个模型烘好**的 MP3（试听句固定「你好，欢迎使用文本转语音。」，187 条共 3.4MB，每条十来 KB），静态文件里直接播，所以不下载模型也能先挑音色，也不会因为现合成一句要 3~4 秒而挑不动。真正点「合成语音」时才需要模型。模型文件里没有性别 / 姓名标注（这个模型连 speakers.txt 都没有，界面按「音色 1…187」编号），所以挑音色靠听，而不是靠标签。
支持英文吗？
不支持，本工具仅限中文。当前模型是中文模型（注音前端，字 → 注音符号），没有英文拼读规则 —— 英文字母会被直接跳过（实测 Hello world → 可读音节 0 个），个别字母因为中文词典里恰好有条目，会被念成中文音。做英文朗读要换模型（纯英文的多音色模型还得再引一个英文音素化引擎），已决定不做。