字幕语音配音
首次运行会下载声线模型和音素化器 —— 合计约 98 MB，由本站提供，之后浏览器会缓存。你拖入的字幕或文本从不离开这个标签页。选择 MP3 或 M4A 会再下载 31 MB 的编码器，这也是 WAV 成为默认值的原因。
选项
声线决定口音和音色，还有一个不那么明显的作用 —— 决定文本按哪套语音系统朗读。把西班牙语声线配到英文句子上不会报错：它会用西班牙语的发音去读英文单词，这比一条报错更糟。这里提供七种语言，而不是十二种，因为这一页附带的音素化器没有日文或中文声线。在投入长文件之前先听一小段；所有声线共用同一个模型，所以切换的代价是一次合成，而不是一次下载。
声线朗读的快慢，叠加在模型认为自然的语速之上。慢 是 0.8×，快 是 1.2× —— 刻意温和，因为超过大约 1.5× 后模型会开始吞字，听起来像在赶而不是在快说。当某条字幕的时间太短、放不下它的台词时，这一页会自行把速度提高到最多 1.4×，然后再截断，而那次提速会与这里选的设置相乘。
WAV 是未压缩的 24 kHz 单声道，在这里直接写出，完全不需要编码器 —— 所以它是默认值，也不需要为它额外下载任何东西。MP3 和 M4A 需要 31 MB 的视频引擎来压缩，但体积大约是前者的十分之一：十分钟语音作 WAV 约 28 MB，作 MP3 约 2.8 MB。只想试听声线用 WAV，要把文件发给别人用 MP3。
这一页把字幕文件变成一条跟随它的声音轨。每条字幕都会被朗读，并放在它开始的那一刻，产物是一个音频文件 film.wav——文字落在字幕下面，而不是彼此叠在一起。字幕之间的空隙用静音填满，总长度与最后一条字幕的终点一致，所以这段音频可以铺回字幕原本对应的画面上。
这一页与文本转语音朗读分开存在，原因是时间轴才是难点。一句需要四秒说完的话，却只有两秒的字幕，不能直接塞进去：它会压到下一条上，两条声音同时响是噪声，不是配音。所以每一行先按你选的语速合成一次、测量长度；放不下就再合成一次更快的版本，最高到 1.4 倍。仍然放不下的部分会在下一条字幕开始时截断，受影响的条数作为有损记录报出来，而不是被吞掉。
声线一共十条，覆盖七种语言：美国英语、英国英语、西班牙语、法语、意大利语、印地语和巴西葡萄牙语。声线不只是音色——它决定文字按哪种语言的发音来读，所以拿西班牙语声线去读英文，得到的是两者都不是的东西。日语和中文刻意缺席：这一页附带的音素化器没有这两种语言的声线，把它们列出来只会产出自信的胡话，而不是一条错误提示。
工作在本地完成。约 98 MB 的模型与音素化器从本站下载一次，之后由浏览器缓存；字幕文件本身从不离开标签页。默认输出 WAV，因为这完全不需要编码器——选择 MP3 或 M4A 会额外加载 31 MB 的 ffmpeg 核心来压缩结果，对任何要发给别人的成品都值得。
常见问题
SRT 本身没问题，为什么字幕语音配音偶尔会把一句话截短？
因为截断是字幕条的时长造成的，不是文件坏了。一条只显示 1.8 秒的字幕，容不下一句要说三秒的话，除非把语速推过 1.4 倍——而过了这个点，字就听不清了。页面先按你选的语速合成，再按刚好放得下的速度重合成一次，上限 1.4 倍；仍然超时就下一条字幕开始时截断，保证两条声音不同时响，受影响的条数出现在队列下方的有损报告里。
字幕语音配音读取 ASS 时，样式、颜色和屏幕位置会怎样？
会被丢掉，而在这里这是对的——音频没有颜色，也没有屏幕位置。保留下来的是每条字幕的文字与起止时间，这正是摆放所需要的东西。粗体、斜体、卡拉OK 计时和 {\anN} 定位覆写在合成之前就被格式层解析掉了，所以 ASS 里标成斜体的行与其余行用同一条声线朗读。需要保留样式，请先转换字幕；这一页的产物是声音。
一条两行的 SRT 字幕会被读成一句连续的话吗？
会，而且总是如此。cue 内部的硬换行是排版决定——字幕员认为这一行在屏幕上太长了——不是说话人停顿的地方。所以两行会用空格拼起来，作为一句话合成，这就是为什么跨行拆开的字幕听起来仍是一口气，而不是两个人在轮流说。只有 cue 与 cue 的边界才会在产物里产生停顿。
字幕语音配音实际能读哪些语言，日语字幕会怎样？
七种：en-US、en-GB、es、fr、hi、it 和 pt-BR。日语和中文不在其中，因为这一页附带的音素化器（espeak-ng）没有这两种语言的声线，尽管语音模型本身训练过它们。把日语 .srt 喂给英语声线不会响亮地失败——拉丁字母被按英语读，假名和汉字被跳过或读乱。这些语言的诚实做法是等一个带日语音素化器的版本，而不是接受一条听起来像样、其实是错的音轨。
字幕语音配音默认给 WAV，值得为 MP3 多下 31 MB 吗？
只要成品超过几分钟，就值得。WAV 是未压缩的 24 kHz 单声道 PCM，十分钟配音大约 28 MB；同样内容编码成 128 kbps 的 MP3 只有约 2.8 MB。代价是 MP3 和 M4A 要先下载一次 31 MB 的 ffmpeg 核心，这也是 WAV 成为默认值的原因：只想听听声线效果时，一个字节都不用多下。编码器缓存之后，用同样设置再转同一份字幕会很快。
字幕语音配音生成到一半能取消吗？
能，而且是立刻生效。合成引擎跑在它自己的 Web Worker 里，取消就是终止这个线程，不用等当前句子读完；先生成好的片段不会作为半成品提供下载，字幕文件本身也不受影响。这也是它比转写页的取消更快的原因——转写只能在下一个 30 秒窗口之前停下。