文本转语音（TTS）

学习目标：能用 4 个 TTS 工具生成可用的语音内容，知道每个工具适合什么场景

预计时间：50 分钟

难度：⭐⭐

---

先说结论

TTS（Text-to-Speech）是 AI 音频里最成熟、最实用的方向。2026 年，好的 TTS 工具生成的语音，普通人已经分辨不出是 AI 还是真人。

不是所有 TTS 都一样。 中文场景选豆包语音或 Edge TTS，英文场景选 ElevenLabs，想自己部署选 IndexTTS。这四个工具覆盖了 95% 的使用需求。

---

工具一：ElevenLabs

ElevenLabs 是目前 TTS 领域的标杆。2023 年上线，2025 年估值超过 33 亿美元。英语语音质量是行业天花板，中文也不错。

注册

1. 打开 elevenlabs.io
2. 点击 "Sign Up"，用 Google 或邮箱注册
3. 免费账号立即生效

免费额度

项目	免费额度
字符数/月	10,000 字符（约 2,500 个中文字）
声音数量	可使用社区分享的数千种声音
API 调用	支持，但受字符数限制

额度够用吗？

10,000 字符大约能生成 3-5 分钟的语音。如果你只是试试效果或做个短视频配音，免费额度完全够。长期使用需要付费，最便宜的套餐是 $5/月（30,000 字符）。

使用步骤

Step 1：选择声音

登录后进入 "Speech Synthesis" 页面。左侧是声音选择区，ElevenLabs 提供了几十种预设声音。可以按语言、性别、年龄筛选。

推荐试这几个：

• Rachel：标准女声，适合旁白
• Adam：低沉男声，适合纪录片风格
• Clyde：年轻男声，适合播客

Step 2：输入文本

在文本框中输入或粘贴文字。支持中文、英文、日文等 32 种语言。

Step 3：调整设置

参数	作用	建议
Stability	控制声音稳定性 vs 表现力	旁白用 0.7-0.8，有情感的内容用 0.3-0.5
Similarity	控制与原始声音的相似度	一般保持默认 0.75
Style Exaggeration	风格夸张度	默认 0 即可，需要戏剧化效果时调高

Step 4：生成并下载

点击 "Generate Speech"，几秒后即可试听。满意了点下载，MP3 格式。

ElevenLabs 的优势

• 多语言：32 种语言，切换声音就能切换语言
• 声音质量：英文效果是行业最好的，没有之一
• 声音克隆：付费用户可以上传自己的音频来克隆声音（下节详讲）
• API 友好：开发者可以快速集成

ElevenLabs 的不足

• 中文效果虽好，但不如豆包语音自然
• 免费额度偏少，重度使用需要付费
• 国内访问速度不稳定

---

工具二：IndexTTS（开源）

IndexTTS 是一个开源的 TTS 方案，适合想自己部署、或者需要大量生成语音的用户。

特点

特点	说明
开源免费	无字符限制，生成多少都行
中文优化	对中文支持经过专门调优
本地部署	数据不出本地，适合隐私敏感场景
需要 GPU	最低 4GB 显存的 GPU

部署步骤（简述）

# 克隆项目
git clone https://github.com/IndexTeam/IndexTTS
cd IndexTTS

# 安装依赖
pip install -r requirements.txt

# 下载模型（约 1.5GB）
python download_model.py

# 启动 Web UI
python webui.py

适合谁？

IndexTTS 适合有技术背景、需要批量生成语音、或者对数据隐私有要求的用户。普通用户用 ElevenLabs 或豆包语音就够了。

---

工具三：豆包语音（中文首选）

豆包语音是字节跳动推出的 TTS 服务。如果你主要处理中文内容，这是目前效果最好的选择之一。

注册

1. 打开 www.volcengine.com（火山引擎控制台）
2. 注册火山引擎账号（支持手机号注册）
3. 在产品列表中找到"语音合成"并开通

免费额度

项目	免费额度
字符数/月	开通即赠送一定额度（具体以官网为准）
声音选择	提供多种中文声音，含方言支持
API 调用	支持 REST API

使用方式

豆包语音主要通过 API 调用，但也有在线体验页面。

在线体验：

1. 登录火山引擎控制台
2. 进入"语音合成"产品
3. 找到"在线体验"入口
4. 输入文字，选择声音，点击合成

API 调用示例：

import requests
import json

url = "https://openspeech.bytedance.com/api/v1/tts"
headers = {
    "Authorization": "Bearer YOUR_TOKEN",
    "Content-Type": "application/json"
}
data = {
    "text": "你好，这是豆包语音的演示。",
    "speaker": "zh_female_shuangkuaisisi_mars_bigtts",
    "audio_config": {
        "format": "mp3",
        "sample_rate": 24000
    }
}
response = requests.post(url, headers=headers, json=data)
with open("output.mp3", "wb") as f:
    f.write(response.content)

豆包语音的优势

• 中文效果最好：毕竟是字节的产品，中文训练数据充足
• 方言支持：粤语、四川话等方言也支持
• 速度快：国内服务器，延迟低
• 价格便宜：比 ElevenLabs 便宜不少

豆包语音的不足

• 英语效果不如 ElevenLabs
• 注册流程比 ElevenLabs 繁琐（需要火山引擎账号）
• 文档偏技术向，非技术用户上手门槛稍高

---

工具四：Edge TTS（完全免费）

Edge TTS 是微软 Edge 浏览器自带的 TTS 引擎，通过第三方库可以直接调用。完全免费，没有字符限制。

安装

pip install edge-tts

使用

命令行方式：

# 列出所有可用声音
edge-tts --list-voices

# 生成中文语音
edge-tts --text "你好，这是 Edge TTS 生成的语音。" --voice zh-CN-YunxiNeural --write-media output.mp3

# 生成英文语音
edge-tts --text "Hello, this is Edge TTS." --voice en-US-AriaNeural --write-media output_en.mp3

Python 代码方式：

import asyncio
import edge_tts

async def generate_tts(text, voice, output_file):
    communicate = edge_tts.Communicate(text, voice)
    await communicate.save(output_file)

# 生成语音
asyncio.run(generate_tts(
    "大家好，欢迎来到 AI 音频生成的世界。",
    "zh-CN-YunxiNeural",
    "output.mp3"
))

推荐声音

声音名称	语言	特点
zh-CN-YunxiNeural	中文	年轻男声，声音清晰自然
zh-CN-XiaoxiaoNeural	中文	标准女声，适合旁白
en-US-AriaNeural	英文	自然女声
en-US-GuyNeural	英文	沉稳男声
ja-JP-NanamiNeural	日文	日语女声

Edge TTS 的优势

• 完全免费：没有字符限制，没有次数限制
• 多语言：支持 100+ 种语言和方言
• 离线可用：通过 Python 库调用，可以集成到任何项目中
• 质量不错：微软的 Neural TTS 引擎，质量在免费方案中是最好的

Edge TTS 的不足

• 没有可视化界面（需要命令行或代码）
• 没有情感控制参数
• 声音种类不如 ElevenLabs 丰富
• 偶尔出现服务不稳定（毕竟用的是微软的公共接口）

什么时候用 Edge TTS？

批量生成、脚本自动化、预算为零的项目。Edge TTS 是性价比最高的 TTS 方案——不是最好听的，但是免费里面最好的。

---

四个工具对比

维度	ElevenLabs	IndexTTS	豆包语音	Edge TTS
英文质量	最好	良好	一般	良好
中文质量	良好	优秀	最好	良好
免费额度	1 万字符/月	无限制	有赠送额度	无限制
使用门槛	极低	需要部署	中等	需要代码
适合场景	英文配音、多语言	本地部署、批量生成	中文配音	免费方案、自动化

---

实操建议

场景一：做短视频中文配音

推荐：豆包语音 或 Edge TTS（zh-CN-YunxiNeural）

步骤：

1. 写好配音文案
2. 用工具生成语音
3. 在剪映里把语音和视频合成

场景二：做英文播客

推荐：ElevenLabs

步骤：

1. 写好播客脚本
2. 选择一个喜欢的声音
3. 调整 Stability 到 0.5-0.6，让语调更自然
4. 逐段生成，拼接在一起

场景三：批量生成通知语音

推荐：Edge TTS

步骤：

1. 准备文本列表
2. 写一个 Python 脚本循环调用 Edge TTS
3. 批量输出 MP3 文件

import asyncio
import edge_tts

texts = [
    ("欢迎来到展厅", "zh-CN-YunxiNeural", "welcome.mp3"),
    ("请注意安全", "zh-CN-XiaoxiaoNeural", "safety.mp3"),
    ("谢谢参观", "zh-CN-YunxiNeural", "thanks.mp3"),
]

async def batch_generate():
    for text, voice, filename in texts:
        communicate = edge_tts.Communicate(text, voice)
        await communicate.save(filename)
        print(f"已生成: {filename}")

asyncio.run(batch_generate())

---

本节小结

通过本节学习，你应该掌握了：

✅ 四个 TTS 工具的注册、使用和免费额度——ElevenLabs、IndexTTS、豆包语音、Edge TTS ✅ 各工具的优劣对比——英文选 ElevenLabs，中文选豆包语音，免费选 Edge TTS ✅ 三个典型场景的实操方案——短视频配音、英文播客、批量生成

---

下一步：在 下一节 中，我们从"说话"切换到"唱歌"——用 Suno 等工具生成完整的音乐作品。

---

← 返回章节目录 | 继续学习：AI 音乐生成 →