把文字念成人聲：零樣本語音克隆 TTS

繪本要「念」給孩子聽，所以每一句話都要變成語音。這篇談的是 TTS（Text-to-Speech，文字轉語音）：機器怎麼把一句文字念出來，以及更進一步的零樣本語音克隆——只用幾秒鐘的參考音，就能用「那個聲音」念任何新句子。這是讓繪本角色有固定聲線的關鍵技術。

技術前導：文字怎麼變成人聲

早期的電子語音聽起來像機器人，是因為它把預錄的音節硬拼在一起。現代的 TTS 是即時「念」出來的，中間經過好幾道處理：

其中正規化這關對中文特別重要。「1000 元」要念「一千元」不是「一零零零元」、破音字要挑對讀音、標點決定停頓的長短——這些沒處理好，聲音就會念錯字或聽起來很怪。這也是中文 TTS 比英文難搞的地方：光是「這串文字實際上該怎麼念」，就有很多眉角。

零樣本語音克隆

傳統上要做出一個特定的聲音，得請人錄好幾個小時的語料，再花時間訓練一個專屬模型，成本很高。零樣本語音克隆把這件事整個翻過來：

你只要給它一小段參考音（通常三到十秒）加上想念的新文字，模型會即時從參考音裡抓出音色、語氣的特徵，用「那個聲音」把新句子念出來——完全不需要事先訓練。對繪本來說，這意味著只要有一段乾淨的參考音，整個系列每一集都能用同一個聲線，角色的聲音就固定下來了。

挑一個模型

這類零樣本 TTS 有好幾個開源選擇，中文表現不錯的例如 CosyVoice 家族。挑模型時除了聲音自然度，還要看幾件事：對繁體中文的支援、參考音需要多長多乾淨、以及跑起來吃多少顯存。和文生圖類似，它一樣需要 GPU，而且生成時的顯存占用要和其他服務（例如同時在跑的生圖）錯開，不然會互相搶資源。

容器化：自己包一個 TTS 服務

這裡有個實務上的落差要先講清楚：**大多數開源 TTS 專案給你的是一段 Python 範例，不是一個服務。**你照著它跑，能在終端機生出一個 wav，但沒辦法被整套系統穩定呼叫。

所以要自己補一層：寫一個 api.py 把模型包成 HTTP 介面，讓外部送文字進來、拿 wav 回去。模型權重用 volume 存起來，只下載一次；各角色的參考音也掛進容器，依名字挑聲線。把它容器化之後，TTS 才從「一段範例程式」變成「流程裡一個可靠的環節」。

呼叫與踩坑

介面通了，真正的功夫才開始。中文合成實際會遇到的坑，我們大多都撞過：

• 斷句要自己切：一次丟一長段進去，模型容易念到後面走音或吃字。把長句依標點切成合適的小段，穩定度會明顯提升。
• 標點會影響發音：某些符號會被模型當成要念的內容，或造成奇怪的停頓，送進去之前要先清理過。
• 開頭的靜音：生成出來的音檔開頭常帶一小段空白，串成影片時每句前面都頓一下，得在後處理把它修掉。
• 太短的句子不穩：只有兩三個字的句子，模型有時會念得含糊，必要時要重試或和前後句合併。

這些都不是模型「壞掉」，而是把一個研究用的模型推向實際生產時，必然要補的工。把這層補起來，繪本裡的每一句話才能穩定地、用對的聲音念出來。