免费 AI 文字转语音，带 音色克隆

不会。没有后端，也没有 API 调用。模型在这个浏览器标签页内运行，你的文字和录音不离开你的设备。

是。没有账号、没有试用期、没有字符配额、没有水印。因为处理发生在你自己的机器上而不是服务器上，本来就没有什么可计量的。

可以。每个内置声音都以 CC0 1.0 发布，所以你生成的语音归你，任何用途都行，包括商业用途，也不要求署名。你自己克隆的声音所产出的音频同样归你。

在能生成任何东西之前，模型必须先取一次。之后浏览器会把它留在缓存里，「转换」就立刻响应。

一个人清楚说话的六到十二秒，没有背景音乐、回声或其他人声。不是越长越好 — 超过十五秒的片段会被裁掉。

每次转换最多 500 个字符，大约八十个词，或者半分钟的语音。转换次数没有上限，所以长稿子可以一段一段做。

英语。模型是用英语语音训练的，内置音色全是英语朗读者，所以它能正确发音的语言只有英语。法语、德语、西班牙语、葡萄牙语、意大利语和荷兰语会出声，但套的是英语的字母发音规则。中文、日语和韩语不能用：分词器里没有这些文字的词片，文本会被还原成模型从未见过的原始字节。音色上标的口音是英语的口音，不是独立的语言。

MP3、AAC 或 WAV。编码器同样在你的设备上运行，所以成品文件在你保存之前不会被发往任何地方。

优先用 Chrome，Edge 表现一样；手机和平板上的 Chrome 也能用——首次下载和每次生成在手机处理器上会更慢，但工具是跑得起来的。引擎需要 WebAssembly 线程和 SharedArrayBuffer（旧浏览器没有），还需要一块能增长到 1.5 GB 的 WebAssembly 堆——最后这一项上 Firefox 和 Safari 设的上限更低，引擎在那里可能起不来，或者跑到一半停了。想试可以试，不行就换 Chrome。这只关乎文字转语音；人声分离、降噪和转换在任何较新的浏览器里都能跑。

模型缓存好之后，生成语音完全不需要网络。页面本身仍然要加载，所以一次会话里第一次打开它还是需要连接。

页面必须带着 COOP 和 COEP 响应头，通过 localhost 或 HTTPS 提供。如果刚改过设置，请强制刷新，让浏览器不再复用缓存里的那一份。