文本转语音工具和服务对比

选择合适的文本转语音（TTS）工具或服务对于项目成功至关重要。本文将全面对比市面上主流的 TTS 解决方案，帮助你做出最佳选择。

云服务对比

1. Google Cloud Text-to-Speech

特点

• WaveNet 技术 - DeepMind 研发的高质量语音合成
• 多语言支持 - 40+ 种语言，220+ 种语音
• SSML 支持 - 精细控制语音输出
• 神经网络语音 - 最新一代高质量语音

价格方案

标准语音：$4.00 / 100 万字符
WaveNet 语音：$16.00 / 100 万字符
每月免费额度：400 万字符

代码示例

// Node.js 示例
const textToSpeech = require('@google-cloud/text-to-speech');
const client = new textToSpeech.TextToSpeechClient();

async function synthesizeText(text) {
  const request = {
    input: { text: text },
    voice: {
      languageCode: 'zh-CN',
      ssmlGender: 'FEMALE',
      name: 'zh-CN-Wavenet-A'
    },
    audioConfig: {
      audioEncoding: 'MP3',
      speakingRate: 1.0,
      pitch: 0,
      volumeGainDb: 0
    }
  };

  const [response] = await client.synthesizeSpeech(request);
  return response.audioContent;
}

// 使用示例
synthesizeText('你好，欢迎使用文本转语音服务')
  .then(audio => {
    require('fs').writeFileSync('output.mp3', audio, 'binary');
    console.log('音频已保存');
  });

优缺点

优点

• 音质优秀，接近真人
• 语言支持广泛
• API 稳定可靠
• 免费额度充足

缺点

• WaveNet 价格较高
• 需要翻墙访问（国内）
• 中文语音选择相对较少

2. Amazon Polly

特点

• 神经语音 - 使用深度学习的 NTTS 引擎
• 品牌语音 - 可定制专属声音
• 实时流式 - 支持实时音频流
• SSML 标签 - 丰富的语音控制选项

价格方案

标准语音：$4.00 / 100 万字符
神经语音：$16.00 / 100 万字符
免费层：500 万字符/月（前 12 个月）

代码示例

# Python 示例
import boto3

polly = boto3.client('polly', region_name='us-east-1')

def synthesize_speech(text, voice_id='Zhiyu'):
    response = polly.synthesize_speech(
        Text=text,
        OutputFormat='mp3',
        VoiceId=voice_id,
        Engine='neural'
    )
    
    audio_stream = response['AudioStream']
    with open('output.mp3', 'wb') as f:
        f.write(audio_stream.read())
    
    return 'output.mp3'

# 使用示例
synthesize_speech('你好，这是 Amazon Polly 的示例')

优缺点

优点

• 与 AWS 生态深度集成
• 支持品牌语音定制
• 长文本处理能力强
• 详细的文档和教程

缺点

• 国内访问可能不稳定
• 定制服务价格昂贵
• 学习曲线较陡

3. Microsoft Azure Speech Service

特点

• 神经网络语音 - 超过 100 种神经网络语音
• 情感语音 - 支持多种情感表达
• 自定义语音 - 创建独特的品牌声音
• 实时翻译 - 语音翻译一体化

价格方案

标准语音：$4.00 / 100 万字符
神经网络语音：$16.00 / 100 万字符
自定义神经语音：$32.00 / 100 万字符
免费层：500 万字符/月

代码示例

# Python SDK 示例
import azure.cognitiveservices.speech as speechsdk

speech_config = speechsdk.SpeechConfig(
    subscription='YOUR_KEY',
    region='eastasia'
)
speech_config.speech_synthesis_voice_name = 'zh-CN-XiaoxiaoNeural'

synthesizer = speechsdk.SpeechSynthesizer(
    speech_config=speech_config,
    audio_config=None
)

result = synthesizer.speak_text_async('你好，Azure 语音服务').get()

if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    audio_data = result.audio_data
    with open('output.wav', 'wb') as f:
        f.write(audio_data)

优缺点

优点

• 中文语音质量最佳
• 情感语音表现丰富
• 自定义能力强大
• 国内可直接访问

缺点

• 自定义语音门槛较高
• API 调用复杂度较高
• 需要注册 Azure 账号

4. 百度语音合成

特点

• 离在线融合 - 支持离线和在线模式
• 中文优化 - 针对中文深度优化
• 多种音色 - 提供多种男女声选择
• SSML 支持 - 支持语音标记语言

价格方案

在线合成：免费额度 + 按量计费
离线合成：一次性购买 SDK
详细价格需咨询客服

代码示例

# Python 示例
from aip import AipSpeech

APP_ID = 'YOUR_APP_ID'
API_KEY = 'YOUR_API_KEY'
SECRET_KEY = 'YOUR_SECRET_KEY'

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

result = client.synthesis(
    '你好，这是百度语音合成',
    'zh',
    1,
    {
        'vol': 5,
        'pit': 5,
        'spd': 5,
        'per': 4  # 发音人选择
    }
)

if not isinstance(result, dict):
    with open('audio.mp3', 'wb') as f:
        f.write(result)

优缺点

优点

• 中文效果优秀
• 国内访问稳定
• 价格相对便宜
• 提供离线方案

缺点

• 语言支持有限
• 音质略逊于国际大厂
• 文档更新不及时

开源方案对比

1. Coqui TTS

简介

Coqui TTS 是一个开源的深度学习文本转语音工具包。

特点

• 多模型支持 - Tacotron, VITS, Glow-TTS 等
• 多语言训练 - 支持自定义语言模型
• 活跃社区 - 持续更新维护
• 易于部署 - 提供 Docker 镜像

安装使用

# 安装
pip install TTS

# 列出可用模型
tts --list_models

# 生成语音
tts --text "你好，这是开源TTS示例" \
    --model_name tts_models/zh-CN/baker/tacotron2-DDC \
    --out_path output.wav

# Python 调用
from TTS.api import TTS
tts = TTS(model_name="tts_models/zh-CN/baker/tacotron2-DDC")
tts.tts_to_file(text="你好世界", file_path="output.wav")

优缺点

优点

• 完全免费开源
• 可高度定制
• 社区活跃
• 支持训练自己的模型

缺点

• 需要技术能力
• 训练成本高
• 部署复杂
• 中文预训练模型较少

2. VITS

简介

VITS 是一种端到端的 TTS 模型，可以生成高质量的语音。

特点

• 单阶段生成 - 无需声码器
• 高质量输出 - 接近真人音质
• 多说话人 - 支持多音色
• 快速推理 - 实时合成

项目结构

VITS/
├── monotonic_align/
├── text/
│   ├── cleaners.py
│   ├── symbols.py
│   └── zh.py
├── configs/
│   └── config.json
├── models/
│   └── pretrained.pth
└── inference.py

推理示例

import torch
from vits import VITS

# 加载模型
model = VITS.load("pretrained.pth")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)

# 文本转语音
text = "你好，这是 VITS 示例"
audio = model.infer(text)

# 保存音频
import soundfile as sf
sf.write("output.wav", audio, 22050)

3. PaddleSpeech

简介

百度开源的语音工具套件，包含语音识别和语音合成。

特点

• 中文优化 - 专为中文设计
• 丰富模型 - 多种预训练模型
• 易于使用 - 简单 API
• 生产就绪 - 企业级支持

安装使用

# 安装
pip install paddlespeech

# 命令行使用
paddlespeech tts --input "你好，世界" --output output.wav

# Python API
from paddlespeech.cli import TTSExecutor
tts_executor = TTSExecutor()
wav_file = tts_executor(
    text="你好，欢迎使用 PaddleSpeech",
    output="output.wav",
    am="fastspeech2_mix",
    voc="hifigan_csmsc"
)

浏览器原生 API

Web Speech API

现代浏览器内置的语音合成 API，无需外部依赖。

基础使用

// 检查支持
if ('speechSynthesis' in window) {
  console.log('支持 Web Speech API');
}

// 简单使用
const utterance = new SpeechSynthesisUtterance('你好，世界');
speechSynthesis.speak(utterance);

// 获取可用语音
function listVoices() {
  const voices = speechSynthesis.getVoices();
  voices.forEach(voice => {
    console.log(`${voice.name} (${voice.lang}) ${voice.default ? '- 默认' : ''}`);
  });
}

// 语音加载完成后调用
speechSynthesis.onvoiceschanged = listVoices;

完整示例

class TextToSpeech {
  constructor() {
    this.synth = window.speechSynthesis;
    this.utterance = null;
    this.voices = [];
    this.loadVoices();
  }

  loadVoices() {
    this.voices = this.synth.getVoices();
    if (this.voices.length === 0) {
      this.synth.onvoiceschanged = () => {
        this.voices = this.synth.getVoices();
      };
    }
  }

  speak(text, options = {}) {
    // 停止当前播放
    this.synth.cancel();

    this.utterance = new SpeechSynthesisUtterance(text);
    
    // 设置参数
    const voice = this.voices.find(v => v.lang.startsWith(options.lang || 'zh'));
    if (voice) this.utterance.voice = voice;
    
    this.utterance.rate = options.rate || 1.0;      // 语速
    this.utterance.pitch = options.pitch || 1.0;     // 音调
    this.utterance.volume = options.volume || 1.0;   // 音量

    // 事件监听
    this.utterance.onstart = () => console.log('开始播放');
    this.utterance.onend = () => console.log('播放结束');
    this.utterance.onerror = (e) => console.error('播放错误:', e);

    this.synth.speak(this.utterance);
  }

  pause() {
    this.synth.pause();
  }

  resume() {
    this.synth.resume();
  }

  stop() {
    this.synth.cancel();
  }
}

// 使用
const tts = new TextToSpeech();
tts.speak('你好，这是一个完整的示例', {
  lang: 'zh-CN',
  rate: 0.9,
  pitch: 1.0
});

浏览器兼容性

浏览器	支持情况	备注
Chrome	✅ 完全支持	语音选择最多
Firefox	✅ 完全支持	语音选择较少
Safari	✅ 完全支持	macOS/iOS 支持
Edge	✅ 完全支持	基于 Chromium
IE	❌ 不支持	-

选择建议

个人项目 / 学习

• 浏览器 API - 免费、简单、足够使用
• Coqui TTS - 学习深度学习 TTS
• 百度语音 - 中文项目

商业应用

场景	推荐方案
企业级应用	Azure Speech
国际化项目	Google TTS / Amazon Polly
国内用户为主	百度语音 / Azure 中国
成本敏感	混合方案（云端 + 本地）

特殊需求

• 极致音质 → Azure Neural Voice
• 最低延迟 → 本地部署 VITS
• 自定义音色 → Azure Custom Voice / 开源训练
• 离线需求 → PaddleSpeech / Coqui TTS

总结

选择 TTS 方案需要综合考虑：

1. 预算 - 云服务按量付费 vs 开源自建
2. 音质要求 - 神经网络语音 vs 标准语音
3. 语言支持 - 中文为主 vs 多语言
4. 技术能力 - 开箱即用 vs 自定义开发
5. 合规要求 - 数据隐私、访问稳定性

对于大多数项目，建议先从浏览器原生 API 或免费云服务额度开始，随着需求增长再考虑付费方案或自建服务。

---

发布于 2025-06-28