文本转语音朗读
或者粘贴字幕文本
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。
这一页把文字读出声。粘贴一段文字，或拖入一个文件——.txt、.srt、.vtt，本站认得的十二种字幕格式都行——选一条声线，得到整段内容从头读到尾的单个音频文件。这里不做任何对时，因为没有什么可以对齐：产物是一段连续的朗读，不是铺在画面下面的轨。
拖入的是字幕文件时，时间码会被解析掉并丢弃。被读的是每条 cue 的文字，按顺序拼成段落；一条 cue 内部的换行会变成空格，因为那只是屏幕上的排版决定；cue 的边界则完全不产生任何东西。这与字幕语音配音那一页正好相反，两页并排存在，是为了让选择摆在明面上，而不是藏在某个勾选框里：一页产出跟随时间轴的声音，另一页产出自然流动的声音。
文字是分段合成的，不是一口气合成。模型的 tokenizer 会在 510 个音素之后静默截断——一篇两千字的文章会只剩下开头两句，而文件看起来完全正常。所以文字先按段落切开，再按句末标点切开，单句超过 400 个字符时继续硬切；这些片段依次合成，中间留一段短停顿。取消也在这一步生效：朗读在自己的线程里进行，取消按钮会在一瞬间停住它，而不用等当前句子说完，合成期间页面始终可用。
声线共十条，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。日语和中文不提供：用来决定发音的音素化器没有这两种语言的声线，一个标着日语的选项只会把汉字按英文字母读出来，听起来还很有把握。约 98 MB 的模型与音素化器下载一次后缓存；你粘贴的文字从不离开浏览器，这在段落是一封客户来信或一份病历的时候尤其重要。
常见问题
把 .srt 拖进文本转语音朗读，会连时间码和序号一起读出来吗？
都不会。文件用与转换页相同的格式层解析，只保留每条 cue 的文字——序号、00:00:01,000 这样的时间码结构，以及 <i> 或 {\pos()} 这类行内标签，都在合成之前被去掉。你听到的是按出现顺序排列的词。若希望时间码被尊重而不是丢弃，请用字幕语音配音那一页，它把每条字幕放在自己的开始时间上。
文本转语音朗读的粘贴框能放一整篇文章吗？
整篇文章也可以，因为文字在进入模型之前会被切块。粘贴的内容会包装成一份纯文本文件，进入与拖入文件相同的队列，因此得到同样的 400 字符切块、同样的进度条和同样的取消按钮。实际限制是内存而不是长度：一篇长文会产生很长的 WAV，而一小时 24 kHz 单声道 PCM 有几百 MB，所以朗读超过几分钟时，选 MP3 是值得的。
为什么文本转语音朗读的句间停顿比字幕配音更长？
因为片段之间会插入四分之一秒静音，避免相邻句子黏在一起；而字幕配音页把每一行放在 cue 的精确起点，并填满字幕本来就有的空隙。这里无论内容如何都是固定的 250 毫秒，因为没有时间轴要忠实于。同一个片段内部的句子由模型按标点自行连接，所以只有片段边界——大约每 400 个字符——才会多出那段停顿。
文本转语音朗读里，西班牙语和葡萄牙语各有哪些声线？
各一种：西班牙语是 ef_dora，巴西葡萄牙语是 pf_dora；此外还有美国英语的 af_heart、af_bella、am_michael，英国英语的 bf_emma、bm_george，法语的 ff_siwis、印地语的 hf_alpha 和意大利语的 if_sara。英语有多种声线，是因为那里的配音需求最多；其他语言只给一条，让列表短到可以逐个试听。声线既决定口音也决定音色，因此也决定文字按哪种语言的音素来读。
文本转语音朗读生成的 MP3 或 M4A 能直接当播客片段发布吗？
技术上可以——两者都是本地 ffmpeg 编出的标准容器，音频是 24 kHz 单声道，对人声够用，对音乐偏薄。编辑上，发布前请先听：模型偶尔会吞掉结尾的辅音、把专有名词的重音放错，或者把缩写逐字母读出来。整个过程没有任何上传，也不含水印或跟踪；但合成声音本身不携带披露信息，如果你的听众预期是真人朗读，请说明这是哪一种。