字幕語音配音
首次執行會下載聲線模型和音素化器 —— 合計約 98 MB，由本站提供，之後瀏覽器會快取。你拖入的字幕或文字從不離開這個分頁。選擇 MP3 或 M4A 會再下載 31 MB 的編碼器，這也是 WAV 成為預設值的原因。
選項
聲線決定口音和音色，還有一個不那麼明顯的作用 —— 決定文字按哪一套語音系統朗讀。把西班牙文聲線配到英文句子上不會報錯：它會用西班牙文的發音去讀英文單字，這比一條錯誤訊息更糟。這裡提供七種語言，而不是十二種，因為這一頁附帶的音素化器沒有日文或中文聲線。在投入長檔案之前先聽一小段；所有聲線共用同一個模型，所以切換的代價是一次合成，而不是一次下載。
聲線朗讀的快慢，疊加在模型認為自然的語速之上。慢 是 0.8×，快 是 1.2× —— 刻意溫和，因為超過大約 1.5× 後模型會開始吞字，聽起來像在趕而不是在快說。當某條字幕的時間太短、放不下它的台詞時，這一頁會自行把速度提高到最多 1.4×，然後再截斷，而那次提速會與這裡選的設定相乘。
WAV 是未壓縮的 24 kHz 單聲道，在這裡直接寫出，完全不需要編碼器 —— 所以它是預設值，也不需要為它額外下載任何東西。MP3 和 M4A 需要 31 MB 的影片引擎來壓縮，但體積大約是前者的十分之一：十分鐘語音作 WAV 約 28 MB，作 MP3 約 2.8 MB。只想試聽聲線用 WAV，要把檔案寄給別人用 MP3。
這一頁把字幕檔變成跟著它走的語音軌。每一條字幕都被朗讀出來，並放在那條字幕開始的時刻，所以結果是一個音訊檔——film.wav——文字落在字幕之下，而不是彼此疊在一起。字幕條之間由靜音填補，總長度對應最後一條字幕的終點，也就是說這段音訊可以擺在字幕當初為它製作的那個畫面上。
這一頁之所以與單純朗讀那一頁分開，是因為對時才是難的部分。一句話唸完要四秒，卻只有兩秒的字幕條，不能直接塞進去：它會壓到下一條底下，而兩個聲音同時出現是噪音，不是旁白。所以每一行先按你選的速度合成、量測長度，若放不下，就再以更快的速度合成一次，最高 1.4 倍。仍然放不下的，會在下一條字幕的起點被切斷，而被這樣處理的字幕條數量會當成有損記錄回報，而不是被吞掉。
聲線清單是七種語言、十種聲線：美國與英國英語、西班牙語、法語、義大利語、印地語與巴西葡萄牙語。聲線不只是音色——它決定文字要用哪種語言的音素來讀，所以拿西班牙語聲線配英文文字，產出的會是兩邊都不是的東西。日文與中文刻意缺席：這一頁隨附的音素化器沒有這兩種語言的聲線，把它們列出來只會產出自信的胡說，而不是錯誤訊息。
工作在本機完成。約 98 MB 的模型與音素化器會從本站下載一次，之後由瀏覽器快取；字幕檔本身從不離開分頁。預設輸出是 WAV，因為那完全不需要編碼器——選 MP3 或 M4A 會載入 31 MB 的 ffmpeg 核心來壓縮結果，對任何要寄給別人的內容都值得。
常見問題
為什麼這一頁產出的 WAV 偶爾會把一句話切短，而 SRT 檔本身沒問題？
因為切斷是字幕條造成的，不是檔案造成的。一條在畫面上停 1.8 秒的字幕，裝不下唸完要三秒的一行，除非把聲音推到 1.4 倍以上——而過了那個點，字就聽不懂了。頁面先試你選的速度，再以能塞進去的速度重新合成一次，上限 1.4 倍。若仍然超長，音訊會在下一條字幕開始處被截斷，讓兩行永遠不會同時發聲，受影響的字幕條數量會出現在佇列下方的有損報告裡。
ASS 的樣式、顏色與螢幕位置在拿去配音時會怎樣？
會被丟掉，而這裡這樣是對的——音訊檔沒有顏色，也沒有螢幕位置。活下來的是每條字幕的文字與起止時間，那正是擺放位置需要的全部。粗體、斜體、卡拉 OK 計時與 {\anN} 位置覆寫，在合成之前就被格式層解析掉了，所以 ASS 檔裡標成斜體的一行，會用與其他行相同的聲線朗讀。若你需要保留樣式，請先轉換字幕；這一頁的產物是聲音。
兩行的 SRT 字幕條可以當成一句連續的話唸出來嗎？
可以，而且一定會這樣。字幕條內的硬換行是排版決定——字幕員判斷這行在畫面上太長了——不是說話者停頓的地方。所以兩行會以一個空白連接、合成為一個語句，這就是為什麼一條分成兩行的字幕聽起來像一次呼吸，而不是兩個人輪流說話。只有字幕條的邊界會在產物裡造成停頓。
語音軌實際上能說哪些語言？遇到日文字幕會怎樣？
七種：en-US、en-GB、es、fr、hi、it 與 pt-BR。日文與中文不在其中，因為這一頁隨附的音素化器（espeak-ng）沒有這兩種語言的聲線，即使語音模型本身受過它們的訓練。把一份日文 .srt 餵給英文聲線不會大聲失敗——羅馬字母會被當英文讀，漢字則被跳過或讀得支離破碎。對這些語言誠實的做法，是等一個帶日文或中文音素化器的版本，而不是接受一條聽起來似模似樣、其實錯誤的音軌。
相對於預設給的 WAV，MP3 值得多下載那 31 MB 嗎？
對超過幾分鐘的內容，值得。WAV 是未壓縮的 24 kHz 單聲道 PCM，十分鐘的旁白大約 28 MB，而同一段音訊以 128 kbps 編成 MP3 約 2.8 MB。代價是 MP3 與 M4A 需要下載一次 ffmpeg 核心，這也是 WAV 成為預設的原因：如果你只想聽聽某個聲線如何，不會多抓任何東西。編碼器快取之後，用同樣設定再轉一次同一份字幕就很快。