文字轉語音朗讀
或者貼上字幕文字
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。
這一頁把文字朗讀出來。貼上一段文章或拖進一個檔案——.txt、.srt、.vtt，十二種字幕格式都行——選一個十種聲線之一，拿回一個從頭到尾唸完的單一音訊檔。沒有任何東西被對時，因為沒有東西可以對：產物是一段連續朗讀，不是為了擺在畫面底下而建的音軌。
你拖進來的若是字幕檔，時間碼會被解析掉並丟棄。被讀出來的是每條字幕的文字，依序連接成段落；字幕條內部的換行會變成空白，因為那些是畫面上的排版選擇，而字幕條邊界則完全不留下任何東西。這與字幕配音那一頁正好相反，兩頁並排存在，是為了讓選擇看得見，而不是藏在一個勾選框裡：一頁產出跟隨時間軸的聲音，另一頁產出單純流動的聲音。
文字是分段合成，而不是一次全部送進去。模型的斷詞器會默默截掉超過 510 個音素之後的一切——一篇兩千字的文章會只回來前兩句，而檔案看起來完全正常。所以文字會先按段落切、再按句末標點切，遇到單句超過 400 個字元時切得更細，然後一段接一段合成，中間插入短暫停頓。取消也是在這裡生效：朗讀跑在自己的執行緒上，所以取消按鈕會在片刻內停下，而不是等目前這一句唸完，音訊製作期間頁面仍然可用。
聲線清單是七種語言、十種聲線——英語（美國與英國）、西班牙語、法語、義大利語、印地語與巴西葡萄牙語。日文與中文沒有提供：用來決定發音的音素化器沒有這兩種語言的聲線，所以一個標成日文的選項會把漢字當英文字母讀，聽起來自信卻是錯的。約 98 MB 的模型與音素化器只下載一次並快取；你貼上的文字從不離開瀏覽器，當那段文章是客戶的信件或醫療紀錄時，這件事很重要。
常見問題
如果把 .srt 檔拖進來，朗讀會包含時間碼或字幕序號嗎？
兩者都不會。檔案用轉換頁共用的格式層解析，只保留每條字幕的文字——序號、00:00:01,000 --> 這種時間格式，以及 <i> 或 {\pos()} 這類行內標籤，都在合成之前被拿掉。你聽到的是文字依出現順序唸出來。若你要時間被尊重而不是丟棄，請用把字幕檔配音成音訊的那一頁，它會把每條字幕放在自己的開始時間。
貼上文字的框可以放整篇文章，還是只能放一兩句？
整篇文章沒問題，因為文字在送進模型之前會先切塊。貼上的內容會被包成一個純文字檔，進入與拖曳檔案相同的佇列，所以享有同樣的 400 字元切塊、同樣的進度條與同樣的取消按鈕。實際的上限是記憶體而不是長度：長文章會產出很長的 WAV，而一小時 24 kHz 單聲道 PCM 是好幾百 MB，所以如果朗讀會超過幾分鐘，選 MP3 是值得的。
為什麼這裡句子之間的停頓，聽起來比字幕配音那一頁長？
因為區塊之間會插入四分之一秒的靜音，避免連續句子黏在一起；而字幕配音頁是把每一行放在字幕條的精確起點，並填滿字幕原本就有的間隙。這裡的間隙固定 250 毫秒，與內容無關，因為沒有時間軸要忠實對應。同一個區塊內的句子由模型自己的標點處理連接，所以只有區塊邊界——大約每 400 個字元——會得到那段額外停頓。
西班牙語與葡萄牙語有哪些聲線？是一種還是好幾種？
各一種：西班牙語是 ef_dora，巴西葡萄牙語是 pf_dora；另外還有美國英語的兩種變體（af_heart、af_bella）、再一個美國聲線（am_michael）、兩種英國聲線（bf_emma、bm_george）、法語的 ff_siwis、印地語的 hf_alpha 與義大利語的 if_sara。英語會有多種聲線，是因為大多數旁白需求都在那裡；其他語言各給一種，讓清單短到可以試聽完。聲線同時決定口音與音色，所以也決定了文字要用哪種語言的音素來讀。
產出的 MP3 或 M4A 可以直接當成 Podcast 片段發布嗎？
技術上可以——兩者都是標準容器，由本機的 ffmpeg 版本編碼，音訊是 24 kHz 單聲道，對語音夠用、對音樂偏薄。編輯上，發布前請先聽過：模型偶爾會吃掉結尾的子音、把專有名詞的重音放錯，或把縮寫逐字母唸出來。整個過程沒有任何東西被上傳，也沒有浮水印或追蹤被嵌入，但合成語音同樣不帶任何揭露，所以如果你的聽眾期待真人朗讀，請說明這是哪一種。