文字转语音（TTS），免费

Web Speech API 的工作原理

浏览器暴露了一个 SpeechSynthesis 接口（Web Speech API的一部分，最初由W3C语音API社区组起草），该接口接受文本和所选语音，并通过底层操作系统的TTS引擎产生可听语音。完整的API接口虽小但功能强大：speechSynthesis.speak(utterance) 开始语音，cancel() / pause() / resume() 控制播放，getVoices() 列出OS暴露的所有语音。每个 SpeechSynthesisUtterance 携带文本、语言标签、语音、语速、音调和音量。

音频本身由OS而非浏览器生成。macOS和iOS内置了数十种高质量语音。Windows通过「设置 → 时间和语言 → 语音」安装的语音来提供服务。Android使用Google的文字转语音引擎（或Samsung TTS等替代方案）。Linux默认使用发行版提供的speech-dispatcher / espeak配置，除非安装了更丰富的引擎，否则通常听起来像机器人。

云端与本地的隐私区别

并非每个「浏览器」语音都在您的设备上运行。部分浏览器将文字发送到远程服务器以渲染高质量语音的音频，然后将结果流式传回。这对隐私有影响：

• Safari（macOS / iOS）：合成完全在设备上运行。Apple的语音（包括Siri风格的自然语音）内置于OS中。文字不会离开设备。
• Chrome（桌面和Android）：对于部分标注为「Google」的语音，文字会发送到Google的TTS服务进行音频渲染。其他与本地OS语音对应的Chrome语音则留在设备上。SpeechSynthesisVoice.localService 属性会告诉您哪个是哪个（true 表示设备本地，false 表示云端）。
• Microsoft Edge：类似模式。Edge的高质量「Online Natural」语音将文字路由到微软的云端TTS；标准OS语音则为本地。
• Firefox：Web Speech API支持历来有限；在可用的系统上，它使用OS引擎。

如果您的文字较敏感（机密文件草稿、公司内部备忘录、任何您不希望复制给第三方的内容），请选择标注为本地的语音。如果下拉菜单中没有本地语音，请安装OS语音包，它们会出现在那里。

常见使用场景

• 无障碍辅助。屏幕阅读器（VoiceOver、NVDA、JAWS、TalkBack）为盲人和低视力用户承担了主要工作，但快速的TTS工具可帮助任何人（阅读障碍、眼睛疲劳、疲惫）偶尔让文字朗读出来。
• 校对审阅。听到自己的文字被朗读出来，能捕捉到默读时容易忽略的尴尬句子、缺失词语和节奏问题。这是专业作家的常用技巧。
• 语言学习发音练习。听取目标语言中单词的发音；在阅读外语文章且不确定某词发音时很有帮助。
• 做家务时朗读文章。做饭、打扫、锻炼、通勤，任何不方便阅读但可以收听的场合。
• 配音草稿。快速模拟旁白以测试节奏，然后再录制真人配音或委托ElevenLabs等付费TTS服务。
• 教育用途。为课堂内容、词汇训练、听写练习以及多元学习者的无障碍需求生成语音材料。

需要了解的特性和限制

• Chrome的长文本截断问题。Chromium的一个长期bug（679437）会使 speak() 在大约15秒后停止，通常在200-250个字符左右。解决方案是将文字分成句子长度的片段，并为每个片段调用 speak()。
• voiceschanged 事件。Chrome上对 speechSynthesis.getVoices() 的首次调用返回空数组。语音列表是异步填充的；页面需要在显示语音列表之前监听 voiceschanged 事件。
• 用户手势要求。与自动播放带音频类似，浏览器会阻止语音合成，直到用户点击或触碰某些内容。「朗读」按钮满足该手势要求；页面加载时的程序化语音不会生效。
• iOS低电量模式。当iPhone处于低电量模式时，Safari有时会拒绝启动语音合成，直到禁用该模式。
• Android Chrome的暂停/恢复bug。暂停和恢复有时会导致队列中断。如果可靠性重要，请从 speak() 重新开始，而非依赖 pause() / resume()。
• 超范围的语速/音调会静默失败。将语速设置超过约3.0或低于0.1，或音调超过2.0，会导致部分引擎完全不产生音频，而非将值截断。

语音质量差异为何如此之大

TTS语音的质量完全取决于底层引擎，而底层引擎取决于OS，OS又取决于您安装的内容。1990年代的语音（eSpeak、Microsoft Anna、旧版Mac「Fred」）由连接的音素样本合成，听起来像机器人且生硬。现代语音（Apple的Siri语音、微软的Online Natural语音、Google基于WaveNet的语音、ElevenLabs的订阅语音）使用深度学习生成几乎与人类朗读无法区分的音频。

如果下拉菜单中的语音听起来像机器人，问题不在于本工具，而在于在您的OS中安装更好的语音：

• Windows：设置 → 时间和语言 → 语音 → 添加语音。微软的「Online Natural」语音比离线默认语音明显更好。
• macOS：系统设置 → 辅助功能 → 朗读内容 → 系统语音 → 管理语音。寻找「高级」/「增强」语音；它们在后台下载，能显著提升质量。
• iOS：设置 → 辅助功能 → 朗读内容 → 语音。与macOS相同的命名约定。
• Android：设置 → 辅助功能 → 文字转语音 → Google → 安装语音数据。
• Linux：安装 festival 或 mbrola 以获得比eSpeak更好的质量，或通过API使用云端TTS。

常见错误

1. 期望Firefox支持。Firefox的Web Speech API支持一直滞后。在Firefox中访问时，「朗读」按钮将被禁用；请使用基于Chromium的浏览器或Safari以获得可靠的TTS。
2. 将机密文字粘贴到Chrome会话并假设是本地处理。Chrome默认的「Google」语音会将文字发送到Google的TTS服务。请选择本地语音或对敏感内容使用Safari。
3. 在Chrome中粘贴大量文字。15秒/约250字符的截断会影响任何粘贴段落并期望完整朗读的用户。请拆分文字或使用Safari（无截断限制）。
4. 将语速或音调设置超出范围。引擎不会截断值；它会静默地不产生音频。将语速保持在0.5-2.5，音调保持在0.5-1.5以获得可预测的结果。
5. 将浏览器TTS视为生产级配音。即使是最好的浏览器语音也足以用于校对、无障碍辅助和草稿，而非用于发布的播客或商业配音。为此，请查看ElevenLabs、Murf或类似付费服务。
6. 忘记语音是异步下载的。Chrome上的首次页面访问可能不显示任何语音；片刻后刷新它们就会出现。

常见问题解答

如何判断语音是本地的还是基于云端的？

以编程方式，SpeechSynthesisVoice.localService 属性对于设备本地语音为 true，对于云端语音为 false。在实践中，语音命名约定很有帮助：Chrome中标注为「Google」的语音通常是云端的；与您OS安装的语音对应的语音（如Microsoft David、Apple Samantha、Google Wavenet en-US-Wavenet-D）如果OS中有则为本地语音。Safari的语音始终是本地的。

我可以将音频保存为MP3文件吗？

无法直接通过浏览器的Web Speech API实现，该规范不暴露音频流以供捕获。如果您需要可下载的MP3/WAV，选项包括：使用Audacity等专用配音应用录制系统音频，使用返回音频文件的付费TTS API（Google Cloud TTS、Amazon Polly、ElevenLabs），或使用屏幕录制应用捕获播放内容。

为什么音频断断续续或在句中停止？

Chrome上最常见的原因是长文本bug，语音在约15秒后停止。刷新后用较短的段落再试，或切换到没有该限制的Safari。其他原因：OS语音引擎的系统故障（重启通常可修复），或云端语音在离线时获取失败（切换到本地语音）。

这支持任何语言吗？

适用于您的操作系统安装了语音的任何语言。macOS和iOS内置了数十种语言。Windows需要按语言安装语音包（设置 → 时间和语言 → 语音 → 添加语音）。Android需要下载Google TTS或第三方引擎的语言数据。语音下拉菜单列出了所有可用语音；语言标签（en-US、fr-FR、ja-JP等）告知每个语音生成哪种语言。

这对播客制作有用吗？

用于草稿和节奏测试，有用。用于已发布的节目，质量要求更高，即使是最好的浏览器语音也有微妙的人工感，听众会很快察觉。ElevenLabs和Murf等付费服务提供针对长篇旁白训练的语音模型，效果明显更好，通常仅需每千字符几分钱。

我可以在自己的网站上为盲人/低视力用户使用此功能吗？

网站通常不需要为无障碍目的嵌入TTS，屏幕阅读器等辅助技术（Apple设备上的VoiceOver、Windows上的NVDA/JAWS、Android上的TalkBack）能普遍处理这一问题。嵌入式TTS对于阅读疲劳的视力正常用户或学习者偶尔朗读更为有用。对于无障碍辅助，请专注于语义化HTML、ARIA标签、键盘导航和对比度，这些能让每个屏幕阅读器都运行得更好，包括用户自己的。

相关工具