# Text to Speech

> 免費的線上文字轉語音，字數沒有上限。長文會分成每段 1 萬字來合成，文字不上傳，先試聽再下載 WAV。語音模型下載一次之後，沒有網路也能朗讀。中文、英文、日文都有。

- URL: https://bytescope.dev/zh-Hant/text-to-speech/
- Locale: zh-Hant · Also: [en](https://bytescope.dev/en/text-to-speech.md) · [ja](https://bytescope.dev/ja/text-to-speech.md)
- Runs: 文字只留在這個分頁裡，不上傳、不存檔，也不會跟著分析事件送出去。
- Requires: Built-in voices: any browser with the Web Speech synthesis API (voices depend on the operating system). Downloadable voices (Kokoro for Chinese, Supertonic 3 for English and Japanese): any modern desktop browser, much faster with WebGPU; without it they run on the CPU slower than real time. Phones may run out of memory (the models need about 2.5–3 GB while running).
- Updated: 2026-09-08

## What it does

大多數文字轉語音網站都會在幾百字就擋住你，要你註冊、付費，或是把文字送到伺服器去念。這一頁三件事都不做。語音是在瀏覽器分頁裡算出來的：沒有字數上限、不上傳——不管是一篇長文、一整章小說，還是你還沒發表的講稿，都不會離開你的電腦。長文會分成每段 1 萬字來合成。先在頁面上試聽，下載型引擎按一下就能輸出 16-bit 單聲道的 WAV 檔。語音模型下載過一次之後，沒有網路也能繼續用，所以它既是線上朗讀工具，也是離線的文字轉語音工具。

### 三種引擎，依語言挑

內建引擎走 Web Speech API（`speechSynthesis`），聲音就是你的作業系統原本有的那幾個——Windows、macOS、Android、iOS 各不相同——好處是什麼都不用下載。Kokoro 82M 負責中文，有 100 種聲音，授權是 Apache-2.0，第一次用要下載約 340 MB 的模型加上 3–4 MB 的中文發音詞典。Supertonic 3 負責英文和日文，有 10 種聲音，第一次用要下載約 400 MB，授權是 OpenRAIL-M。Supertonic 3 不會念中文，所以中文只能在 Kokoro 和內建語音之間選。

### 先試聽，滿意再下載

每個引擎都會先在頁面上播放，不會一開始就寫檔。朗讀的時候會逐句標示念到哪裡，點任何一句就從那裡開始念；語速可以在 0.5 到 2.0 倍之間調。覺得聽起來對了，再按「下載 WAV」把整段文字輸出成檔案。內建引擎沒有下載按鈕，原因寫在下面的常見問題——它的聲音是從瀏覽器直接送到喇叭，網頁根本拿不到音訊。

### 中文聲音聽起來會是什麼樣子

Kokoro 的中文聲音是北京腔，有些破音字會念錯，夾在中文句子裡的英文單字也會帶口音。繁體字會先在內部轉成簡體來查讀音，你看到的文字本身不會被改動。內建語音念中文用的是你作業系統自己的聲音，腔調要看你的系統，代價是沒辦法下載。

### 速度和記憶體

有 WebGPU 的時候，合成比即時快很多。沒有能用的 GPU 時模型只能靠 CPU 跑，長文會比播放時間還久——實測大約是音訊長度的 1.5 到 3 倍——所以念十分鐘的文章要等一下，不是按了就好。下載型模型在合成時，瀏覽器會用掉大約 2.5–3 GB 的記憶體，很多手機撐不住；在手機上，內建語音才是實際可行的選擇。

### 這一頁做不到的事

沒有聲音複製、沒有情緒或語氣控制、也不輸出 MP3——輸出只有 WAV。模型權重是從 Hugging Face 的固定版本抓的，而且要你同意之後才開始下載；中文詞典由本站提供。打開頁面不會觸發任何下載，也不會跟你要任何權限。音質就是這些開放模型做得出來的程度，下載之前先拿自己的一句話試聽，自己判斷。

## Limits

Does not upload your text, does not clone voices, does not control emotion or tone, and does not export MP3. The built-in browser voices can only be played, not downloaded; whether the operating system synthesises them on-device or in the cloud is up to the system and cannot be seen by the page.

## FAQ

### 為什麼內建語音不能下載音檔？

因為 Web Speech API 只負責播。`speechSynthesis` 把文字交給作業系統，系統再把聲音直接送到喇叭；網頁從頭到尾拿不到音訊資料，自然也沒有東西可以存。要拿到 WAV 檔，請用 Kokoro（中文）或 Supertonic 3（英文、日文），它們是在頁面裡合成的，結果可以寫成檔案。

### 為什麼中文聽起來是北京腔？

Kokoro 82M 的 100 種中文聲音念出來都是北京腔的普通話。它也會念錯一部分破音字，中文句子裡夾的英文單字會帶口音。繁體字會先在內部轉成簡體來查讀音——你輸入的文字不會被改。內建語音用的則是你作業系統的中文聲音，腔調要看你的系統，但那個聲音沒辦法下載。

### 我的文字會被上傳嗎？

這一頁不會上傳。Kokoro 和 Supertonic 3 完全在瀏覽器裡跑，文字不會離開你的裝置。內建引擎則是把文字交給作業系統的語音服務；某些系統的語音服務可能會透過雲端合成，這由瀏覽器和作業系統決定，不是這一頁——我們看不到、也管不到。要確定文字一定留在本機，就用下載型引擎。

### 做出來的聲音可以商用嗎？

這要看產生聲音的那個模型的授權，不是看這一頁。Kokoro 82M 的授權是 Apache-2.0。Supertonic 3 的授權是 OpenRAIL-M，有使用限制——例如不得冒充他人、不得用來傷害別人、對外發布時要標示是機器產生等，頁面在下載前會逐條列出。內建語音則依你作業系統的條款。要發表或販售之前，請自己把對應的授權讀一遍；這一頁不提供法律意見。

### 沒有網路可以用嗎？

可以，前提是語音已經下載過。Kokoro 和 Supertonic 3 第一次下載後會由瀏覽器保存，合成都在本機進行，所以離線也能繼續用。內建引擎就要看作業系統：有些系統語音完全在本機，有些可能需要連線，頁面沒辦法分辨是哪一種。

### 為什麼第一次要下載這麼大？

因為你下載的是語音模型本身，不是一份聲音清單。Kokoro 82M 約 340 MB，再加上 3–4 MB 的中文發音詞典；Supertonic 3 約 400 MB。這就是在瀏覽器裡合成、而不是丟給伺服器的代價：模型必須在你的機器上。下載要你同意才開始，權重來自 Hugging Face 的固定版本，瀏覽器會留著它們，所以只需要下載一次。

### 為什麼長文念得這麼慢？

速度取決於你的硬體。有 WebGPU 時合成比即時快很多；沒有能用的 GPU 時模型只能靠 CPU，實測長文要花音訊長度的 1.5 到 3 倍才算得完，念半小時的文章得有耐心。合成還會用掉瀏覽器大約 2.5–3 GB 的記憶體，所以手機可能失敗或記憶體不夠；內建語音沒有這個成本。

## Related tools

- [Voice Notes](https://bytescope.dev/zh-Hant/voice-notes.md) — 反過來：錄下你說的話，邊錄邊出逐字稿 →
- [Subtitle Converter](https://bytescope.dev/zh-Hant/subtitle-converter.md) — 字幕在 SRT、VTT、ASS、SBV 之間互轉 →
- [Live Captions](https://bytescope.dev/zh-Hant/live-captions.md) — 把你說的話即時變成字幕，還能翻譯 →
- [Speaker Test](https://bytescope.dev/zh-Hant/speaker-test.md) — 聽之前先確認左右聲道和低音正不正常 →