AI 文字转语音：怎样做出听起来自然的声音

开始之前

文字转语音（TTS）指程序用合成的声音把书面文字念出来。这一课走两条路线。第一条调用 OpenAI 的语音接口，需要一个 API 密钥和装有 curl 的终端，怎样拿到密钥可以看 OpenAI API 入门。第二条路线用 Python 在自己的电脑上运行 Kokoro，一个小型开源模型。

第一条路线有个日期要先知道。OpenAI 的指南把 tts-1、tts-1-hd 和 gpt-4o-mini-tts 标为已弃用，将在 2027 年 1 月 6 日关停，新项目请改用 Realtime API 里的 gpt-realtime-2.1-mini。那是另一套工作流程，页面写明这个模型不支持 /v1/audio/speech。关停之前，语音接口的示例照常能用，而且它们讲的是各条路线都一样的东西：音色、指令和输出格式。

OpenAI 的使用政策还要求你告诉听众，这个声音是 AI 生成的，不是真人。现在就想好那句口播或者字幕怎么写，事后补很容易忘。

用 OpenAI 的语音接口生成语音文件

请求有三个必填部分，模型、文字和音色，外加一个这里很重要的可选部分 instructions。下面的命令来自 OpenAI 的指南，它发送一句话和一小段指令，把返回的音频写进 speech.mp3。

curl https://api.openai.com/v1/audio/speech \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini-tts",
    "input": "Today is a wonderful day to build something people love!",
    "voice": "coral",
    "instructions": "Speak in a cheerful and positive tone."
  }' \
  --output speech.mp3

1. 把 API 密钥放进 OPENAI_API_KEY 环境变量。
2. 在终端里运行上面的命令。指南里的 Python、JavaScript、Go、Java、C# 和 Ruby 标签页，发送的是同样四个字段。
3. 打开 speech.mp3 听一听。默认格式是 MP3。
4. 把 voice 改成 marin 或 cedar。指南的音色清单列出 13 个内置音色（它的开头一段写的是 11 个），并推荐这两个，称音质最好。
5. 把音频直接送到扬声器时，用 response_format 要 wav 或 pcm。指南推荐它们，因为响应最快，并说明 pcm 是没有文件头的原始 24 kHz、16 位采样。
6. 每次只改一个字段再运行一遍。一次只改一处，才看得出是哪个字段起了作用。

给声音下指令：语气、语速、口音和读音

instructions 字段接受普通的话。OpenAI 的指南说它能控制口音、情绪幅度、语调、模仿、语速、语气和耳语，示例只给了一行。更长的指令可以看 OpenAI 讲 Realtime 语音模型提示词的那篇指南，它把指令写成几个带标签的小段。那些写法是为 Realtime 模型写的，所以当作措辞参考，不要当成语音接口一定有效的保证。

下面的文字块，把那篇指南里三个分开的示例合成了一份指令，并去掉了它的 Length 一行，因为那一行说的是对话里每一轮的长度。指南说读音清单要保持简短，听到哪个词读错了，再加哪个词。

# Personality & Tone
## Personality
- Friendly, calm and approachable expert customer service assistant.
## Tone
- Warm, concise, confident, never fawning.
## Pacing
- Deliver your audio response fast, but do not sound rushed.
- Do not modify the content of your response, only increase speaking speed for the same response.

# Reference Pronunciations
When voicing these words, use the respective pronunciations:
- Pronounce “SQL” as “sequel.”
- Pronounce “PostgreSQL” as “post-gress.”
- Pronounce “Kyiv” as “KEE-iv.”
- Pronounce "Huawei" as “HWAH-way”

• 语速。 在 Realtime API 里，speed 设置改的是播放速度，不是模型组织语音的方式。想让声音更快，指南的做法是像上面那样加一条语速指令。
• 口音。 指南说，“Sound Australian.” 这样含糊的一句，可能会漂移，甚至切换语言。它把口音写成几个稳定的特征：说带一点澳大利亚口音的英语，从第一个词到最后一个词保持稳定，不要夸张。
• 编号和数字。 对电话号码、订单号和各种代码，指南加的规则是：每个字符单独读，用连字符隔开（比如 4-1-5），并且原样重复这个号码。
• 指令的局限。 指南说，提示词能调口音、语速和表达方式，但替代不了声音设计。需要品牌专属的声音，就要用自定义声音，这是下一课的内容。
• 重复。 示例短语容易被用得太多。加一条变化规则（“Do not repeat the same sentence twice”），长篇朗读才不会像机器人。

看 OpenAI 介绍语音模型

2025 年 3 月 20 日，OpenAI 的四位成员介绍了 API 里的三个音频模型，其中一个就是支撑 instructions 字段的文字转语音模型，并做了演示。语音指南现在把这个模型列为已弃用，所以视频只用来理解怎样给声音下指令，当前的日期以指南为准。

在自己的电脑上运行开源模型：Kokoro

Kokoro 是一个开放权重的模型，只有 8200 万参数，结构轻量。它的权重采用 Apache 许可，所以可以放进产品里。模型卡说，它只用允许使用的或不受版权保护的音频训练：公有领域的录音、Apache 或 MIT 等许可下的音频，以及闭源 TTS 模型生成的合成音频。README 里的示例都是选一个有名字的音色，比如 af_heart，没有出现参考录音。1.0 版发布于 2025 年 1 月 27 日，带有 54 个音色，覆盖 8 种语言。

安装包叫 kokoro，还需要 espeak-ng。README 用这个语音工具处理英文词典之外的词和另外几种语言。下面是 README 里那段代码的精简版，每段文字生成一个 24000 Hz 的 WAV 文件。

pip install -q "kokoro>=0.9.4" soundfile
# espeak-ng: on Linux  apt-get -qq -y install espeak-ng
#            on Windows  run the .msi from the espeak-ng releases page

from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code='a')   # 'a' => American English
text = '''Kokoro is an open-weight TTS model with 82 million parameters.'''
generator = pipeline(text, voice='af_heart')
for i, (gs, ps, audio) in enumerate(generator):
    print(i, gs, ps)
    sf.write(f'{i}.wav', audio, 24000)

• lang_code 决定语言，必须和音色匹配：a 美式英语，b 英式英语，e 西班牙语，f 法语，h 印地语，i 意大利语，j 日语，p 巴西葡萄牙语，z 普通话。
• 日语需要 pip install misaki[ja]，普通话需要 pip install misaki[zh]。
• 在苹果芯片的 Mac 上，README 设置 PYTORCH_ENABLE_MPS_FALLBACK=1 来启用 GPU 加速。
• 模型卡链接了完整的音色清单（VOICES.md）和音频样例（SAMPLES.md）。
• 模型卡提醒，域名里带 kokoro 的网站，比如 kokorottsai_com，和这个模型没有关系，很可能是骗局。

哪条路线适合你的任务

托管的 API 让你用文字下指令，给你一个现成的声音。Kokoro 每个文件不花钱，文字也留在你自己的机器上，不过音色只能从它自带的里面选。Chatterbox 接受一段参考录音，还有表现力控制，但它的状态有个麻烦。想看 OpenAI 之外的托管工具，AI 配音工具课做了对比。

决定你该用什么的几个日期

四个日期都来自厂商自己的页面。转写模型的关停日期，在配音那一课里还会用到，因为配音从语音开始，又在语音结束。

常见错误

• 新产品直接建在 gpt-4o-mini-tts 上，却没有应对它关停日期的计划。
• 只写“要澳大利亚口音”，不说哪些要保持稳定，结果听到口音飘忽。
• 用 speed 设置去改一句话的表达方式，而它在 Realtime API 里只改播放速度。
• 让电话号码或订单号连成一串，而不是要求每次读一个字符。
• Kokoro 的 lang_code 和音色不匹配，或者漏装了 espeak-ng。
• 把读音堆成一长串清单，而指南说要保持简短，听到读错再加。
• 漏掉告诉听众这是 AI 生成声音的那一句。

动手试试

• 用上面的请求生成 speech.mp3，再只把 voice 改成 marin，对比两个文件。
• 给自己写的一段文字配一份指令，包含一条语速和一个人名的读音，再检查这个名字读对了没有。
• 把一个编造的订单号读两遍，一遍不加规则，一遍用连字符规则，听听有什么不同。
• 运行 Kokoro 那段代码，再把 lang_code 和 voice 一起换成 README 列出的另一种语言。

下一课：声音克隆

选一个内置音色是一回事，做出一个像某个具体的人的声音是另一回事，后者还有同意方面的规则。声音克隆讲它的原理、OpenAI 和开源模型对你的要求，以及克隆之前该检查什么。

常见问题

资料来源

1. OpenAI API docs: Text to speech (2026年11月6日 查阅)https://developers.openai.com/api/docs/guides/text-to-speech
2. OpenAI API docs: Prompting Realtime models (2026年11月6日 查阅)https://developers.openai.com/api/docs/guides/voice-prompting
3. OpenAI API docs: File transcription (2026年11月6日 查阅)https://developers.openai.com/api/docs/guides/speech-to-text
4. Hugging Face: hexgrad/Kokoro-82M model card (2026年11月6日 查阅)https://huggingface.co/hexgrad/Kokoro-82M
5. GitHub: hexgrad/kokoro README (2026年11月6日 查阅)https://github.com/hexgrad/kokoro
6. GitHub: resemble-ai/chatterbox README (2026年11月6日 查阅)https://github.com/resemble-ai/chatterbox
7. Hugging Face: ResembleAI/chatterbox model card (2026年11月6日 查阅)https://huggingface.co/ResembleAI/chatterbox
8. YouTube: OpenAI, Audio Models in the API (2026年11月6日 查阅)https://www.youtube.com/watch?v=lXb0L16ISAc