文字转语音

可以。Piper 和 eSpeak 都支持中英文混合输入，但实现方式不同。Piper 的中文模型对英文单词（如“iPhone”“AI”）会尝试按英文发音读，而 eSpeak 需要手动指定语言标签（如 <lang=en>Hello</lang>）才能切换。如果发现英文单词被按拼音读，建议在英文单词前后加空格，或改用 Piper 的中英混合模型。本工具默认开启自动语言检测，但长段纯英文建议选英文音色。

不是漏读，是默认语速偏快。Piper 和 eSpeak 的默认语速约 150-180 字/分钟，5000 字按此速度约需 1.5-2 分钟，但如果你选的音色是快速朗读型（如 eSpeak 的默认英文男声），实际可能更快。本工具界面有语速滑块（0.5x-2.0x），调低到 0.8x 可让语速接近日常说话节奏。另外注意：输入框下方显示的是字符数（含标点），不是实际朗读字数，中文字符一字一音但英文单词算多个字符。

差别很大。Piper 基于神经网络（VITS 架构），生成的语音接近真人，有语调起伏和自然停顿，尤其英文多音色模型（如“ljspeech”“libritts”）听起来像录音棚录的。eSpeak 是参数合成器（共振峰合成），声音机械感强，像早期导航语音，但优势是体积极小（几百 KB）且响应极快（毫秒级生成）。本工具默认用 Piper 模型，如果你对音质要求高选 Piper，对生成速度或离线部署有要求才选 eSpeak。

本工具默认输出 WAV 格式（16kHz 采样率、16bit 单声道），因为 Piper 和 eSpeak 原生输出就是 WAV。如果你需要 MP3，可以在生成后使用本站在线音频转换工具（/yinpin/format）转码，或直接用本地播放器/剪辑软件转。注意：WAV 是无损格式，文件体积较大（1 分钟约 1.8MB），MP3 压缩后约 200KB，但音质差别不明显，因为 TTS 生成的语音本身频率范围有限。

Piper 模型在 CPU 上生成长文本时，处理时间与字符数成正比，10000 字约需 10-30 秒（取决于服务器负载和模型大小）。如果超过 1 分钟仍无结果，可能是输入包含特殊字符（如连续换行、Unicode 控制字符）导致模型解析卡住。建议分段输入（每段 2000-3000 字），或检查文本末尾是否有未闭合的引号/括号。本工具后端有超时保护（60 秒），超时会自动提示，无需刷新页面。

可以商用，但需注意模型版权。Piper 使用的训练数据（如 LJ Speech、LibriTTS）均为 CC0 或公共领域，生成的语音无需署名，可自由用于商业项目（YouTube 视频、播客、有声书等）。eSpeak 是 GPL 协议，如果你直接用生成的音频文件而不用它的代码，同样不触发 GPL 传染（类似用 GIMP 导出的图片）。本工具不额外附加协议，生成的音频归用户所有。但建议不要用名人声音模型（如果有）做音色模仿，以免肖像权风险。

不同音色的语速基准不同。Piper 的多音色模型（如“ljspeech”女声、“libritts”男声）在训练时用了不同语速的录音数据，即使本工具设置了相同的语速滑块（如 1.0x），实际朗读速度仍可能有 10%-20% 差异。另外有些音色（如“vctk”系列）包含不同说话人的发音习惯（喜欢拖长音或连读），也会影响总时长。如果需要精确控制时长，建议先用短文本测试选定音色，再批量生成。

取决于你用的模型。Piper 的中文模型（基于中文 TTS 数据集）对常见日期格式（YYYY年MM月DD日）会按“二零二五年三月十五日”朗读，符合日常习惯。但如果是纯数字串（如“2025”单独出现），Piper 会读成“两千零二十五”（少数模型）或“二零二五”（多数模型）。eSpeak 中文模式则统一按数字逐个读（“二 零 二 五”），不识别日期格式。建议对日期、电话号码等特定格式，在输入时用汉字写（“二〇二五年三月十五日”）以获得最准确读音。