文本转语音（Text to Speech，简称 TTS）是把书面文字朗读出来的软件。您输入一句话、一段脚本或一整本书，选好音色，就能拿到音频。导航应用里播报下一个路口的声音、银行电话热线里的菜单、大量短视频里的旁白，用的都是这项技术。
这个词涵盖的质量范围很广。老式电脑里那种平板、机械的朗读是文本转语音，让听众误以为是真人录音的声音也是。两者的差别在于声音的构建方式。
文本转语音的工作原理#
无论用什么技术构建，每个系统都依次完成三项工作。
- 读懂文本系统把写下来的内容转换成要说出口的内容。价格转成数字的读法，缩写还原为它代表的短语，日期按日期来读。泰语这类词与词之间不加空格的语言，系统还得先找出每个词从哪里开始。
- 决定怎么读每个词确定发音，整句确定语调，也就是哪个音节重读、音高在哪里升起、在哪里停下换气。
- 生成声音系统生成音频本身。音频以 MP3 或 WAV 等文件形式返回，也可以流式传输，前面的部分先开始播放，后面的仍在生成。
早期系统完成最后一步的方式，是把录好的语音切成小片段再拼接起来，拼接处让这些声音听起来很机械。现代音色是一个神经网络，用许多小时的语音录音训练而成。它同时学会发音和节奏，一次性生成整段音频。所以它能像人一样停下来换气，在问句末尾把语调扬起。
企业用文本转语音做什么#
凡是原本要有人对着麦克风读出来的文字，都可以交给它。常见的用途可以归为几类。
这些用途的共同点是内容常变。录好的声音在录音当天就定型了，每改一处都得重新约录音。合成语音以脚本为源头，改一句台词，新的音频只是多发一个请求。
以泰语为例，看一门语言难在哪里#
为英语打造的音色，学会一套新字母，也不会就此变成泰语音色。每种语言都有自己的难题，泰语几乎一次全占了。
- 声调是词的一部分。泰语有五个声调，同一个音节换个声调就是另一个词。音色的语调稍有偏差，说出来的就是别的意思。
- 词与词连在一起。泰语书写时词间不加空格，朗读之前必须先把每个词切分出来。
- 数字和日期有本地规则。年份通常用佛历书写，价格、电话号码和门牌号的读法各不相同。
- 英语会在句子中途出现。泰语句子里的品牌名和技术术语保留拉丁字母，音色得切换语言再切回来，中间不能停顿。
- 礼貌用语分性别。男性和女性用来结束礼貌句的语气词不同，脚本必须和朗读它的音色相符。
服务商说支持某种语言时，就听这几点。用十个句子评估泰语 AI 音色把它们变成了人人都能做的测试，脚本写作指南讲的是撰稿人能掌控的部分。
- Nom Yen泰语 · 女声主音色0:05
- Khanom Krok泰语 · 男声主音色0:03
- Som Tam伊森泰语 · 伊森0:03
- Cookie英语 · 客服0:04
- Tao Huay中文 · 剧情女主0:05
Paxa TTS Flash 有 34 个音色，覆盖中文、英语和泰语，其中还有泰国的地方口音。音色页面可以试听每一个。
如何评估文本转语音音色#
样音都是挑出来展示优点的。请用您自己的文本评估音色，确定之前检查以下六点。
- 语言。粘贴一段您的真实内容，带上其中的数字、名字和外来词，听听哪些读错了。
- 选角。宣传片、课程和睡前故事需要不同的朗读者，音色库里应当有适合您品牌的音色。
- 控制。看有没有语速设置，停顿是否跟随标点，脚本需要时能否设定情绪。
- 输出。检查文件格式，以及音频能否流式传输，用于实时对话。
- 授权。看清套餐允许做什么。有些服务只在付费套餐中授权商用。
- 计价单位。多数服务按文本字符数收费，少数按音频分钟收费或按月出售套餐，三种方式要换算后才好比较。
对比页面把主要服务商的公开标价换算成同一单位。
文本转语音的价格#
合成语音按文本量计价。Paxa TTS Flash 每 1,000 个字符收取 10 积分，1,000 积分合 1 美元。一分钟的中文旁白约 257 个字符，约合 2.6 积分，即 $0.0026。
新账户自带 100 免费积分，约够 38 分钟的旁白。最低档的月度套餐为 $6，含 8,100 积分，可生成的音频约为 52 小时。价格页面列出了全部套餐，配音费用指南把这些数字和录音棚、自由配音员的报价放在一起比较。
免费积分仅供个人使用和评估。首次购买后，无论金额大小，该账户的音频都可由您商用，包括购买前生成的音频。
文本转语音、语音转文字与声音克隆#
这三个词常被混用，说的却是不同的东西。
- 文本转语音把文字变成音频，声音选自音色库。
- 语音转文字方向相反。它听一段录音，把说的话写下来，会议纪要和视频字幕就是这样来的。
- 声音克隆用某一个人的录音构建新的声音。这就牵涉到同意的问题，因为那个人必须事先同意，音色库里的音色则没有这个问题。
常见问题#
文本转语音免费吗？#
手机和电脑都自带免费的基础朗读功能。想要自然的声音，免费文本转语音页面无需账户就能朗读一小段话，新账户的 100 积分在付费之前可用约 38 分钟。
能实时朗读吗？#
可以。音频可以边生成边流式传输，语音智能体在回复的其余部分还在生成时就能开口回答。语音智能体页面展示了各部分如何配合。
AI 音色能带感情朗读吗？#
每个音色都有自己的个性，比如沉稳、明亮或富有戏剧感。音色库中实验性的泰语情感音色还能读写在文本里的标签，例如 [happy] 或 [sad]。情感音色页面可以试听每个标签。
什么情况下仍该用真人录音#
有些录音仍然值得预约。围绕知名人物打造的推广，买的就是这个人。导演想让某个词换一种读法，最快的办法是让录音棚里的演员来读。唱歌是另一门手艺。大多数配音工作都不在此列。它们是课程、产品视频、电话菜单，以及这些内容的每一次更新，合成语音在这里用处最大。
下一步#
- 在免费文本转语音页面的输入框里输入一句话，无需账户即可试听。
- 在音色页面试听全部 34 个音色。
- 选定音色之前，先读如何按用途挑选音色。
- 注册账户后打开“语音”工具，为整段脚本配音并下载音频。