EasyVoice：免费开源的AI文本转语音工具，一键生成有声书与字幕

一、EasyVoice是什么？

EasyVoice是一个基于现代技术栈开发的开源文本转语音（TTS）智能工具，核心定位是“让文本转语音更简单、更高效、更灵活”。它打破了传统TTS工具的时长与字数限制，能够轻松处理10万字以上的超长文本（如网络小说、长篇文档），并支持多角色配音、流式传输、自动字幕生成等核心功能，无需付费即可享受全功能体验。

作为一款面向全场景的TTS工具，EasyVoice不仅满足普通用户“听文本”的基础需求（如将小说转为有声书通勤时收听），还能适配专业创作者的进阶需求（如视频配音、多角色音频剧制作）。其开源特性允许开发者自由部署到本地服务器或云平台，自定义扩展功能（如接入其他TTS服务），同时提供清晰的项目文档与简洁的操作界面，让非技术用户也能快速上手。

简单来说，EasyVoice是一款“兼顾易用性与扩展性”的TTS工具——普通用户可通过网页界面一键完成文本转语音，开发者可基于其代码二次开发，企业用户可部署到私有环境保障数据安全，真正实现“全人群覆盖、全场景适配”。

二、功能特色

EasyVoice的核心优势在于“无限制、多功能、高灵活”，其功能设计围绕用户实际使用场景展开，既解决了传统TTS工具的痛点，又提供了超出预期的附加价值。以下是其核心功能的详细解析：

（一）核心功能详细说明

1. 超长文本转语音：无字数/时长束缚 这是EasyVoice最核心的亮点之一。传统TTS工具往往存在“单次转换字数限制”（如最多5000字），对于长篇小说、学术论文等大文本无能为力。而EasyVoice完全打破这一限制，支持10万字以上文本一键转换，尤其适合将网络小说、长篇故事转为有声书。用户无需分段处理，只需粘贴完整文本或上传.txt文件，即可生成连贯的音频，极大降低了超长文本转语音的操作成本。

2. 流式传输：多长文本都能“立刻播放” 针对超长文本转换“等待时间长”的痛点，EasyVoice采用流式传输技术。即使是10万字的小说，无需等待全部音频生成完成，系统会实时返回音频片段，用户可立即开始试听，避免长时间等待带来的体验不佳。这一特性让“边生成边收听”成为可能，尤其适合需要快速验证音频效果的场景。

3. 多角色配音：打造沉浸式音频体验 EasyVoice提供丰富的声音选项（如中文男声、女声、方言音，英文各类音色等），支持为文本中的不同角色分配专属语音，完美适配音频剧、小说旁白+角色对话、短视频多角色配音等场景。例如，在转换小说时，可给主角分配沉稳的男声、女主角分配清甜的女声、旁白分配大气的中性音，让音频更具层次感与代入感。

4. 自动字幕生成：一站式解决“音+字”需求 转换语音的同时，EasyVoice会自动生成对应的字幕文件（支持常见字幕格式），无需额外使用字幕制作工具。这一功能对视频创作者尤为友好——生成配音后可直接搭配字幕用于视频剪辑，省去手动打轴、字幕编辑的步骤，极大提升创作效率；同时也方便字幕翻译、音频内容存档等场景。

5. 多语言支持：适配跨语言场景 目前已支持中文（简体）、英文等多种语言的语音合成，后续还将扩展更多语种。无论是将英文文档转为音频，还是制作双语配音内容，都能满足需求，适用于外贸企业产品介绍、跨境自媒体创作、外语学习资料转换等场景。

6. 全维度自定义设置：打造专属语音风格 用户可根据需求灵活调整语音参数，实现个性化定制：

• 语速（rate）：以百分比为单位，默认0%（正常语速），支持“+50%”（加快50%）、“-20%”（减慢20%）等调整；

• 音量（volume）：以百分比为单位，默认0%（正常音量），可增删音量（如“+40%”“-20%”）；

• 音调（pitch）：以赫兹（Hz）为单位，默认0Hz（正常音调），支持“+10Hz”（提高音调）、“-5Hz”（降低音调）等设置。

7. AI智能推荐配音：省心又高效 对于不熟悉语音参数设置的用户，EasyVoice提供AI推荐功能。通过大模型分析文本内容（如场景、角色情绪、文本类型），自动匹配最合适的语音音色、语速、音调等参数，无需手动调整即可获得高质量音频，降低使用门槛。

8. 试听功能：提前验证效果 生成最终音频前，用户可选择“试听文本”功能，验证当前语音参数的效果。如果对音色、语速等不满意，可即时调整后再次试听，确保每一段音频都符合预期，避免生成后返工。

（二）核心功能总结表

三、技术细节

EasyVoice基于成熟的技术栈开发，兼顾了易用性、扩展性与稳定性，其技术架构与实现细节如下：

（一）核心技术栈

（二）项目结构解析

EasyVoice采用Monorepo（单仓库多包）结构，目录清晰，便于维护与扩展，核心目录说明如下：

• docs/：项目文档目录，包含使用指南、API说明、架构设计等文档，帮助用户与开发者快速上手；

• images/：存储项目截图、UI设计图等资源，用于README文档展示；

• packages/：核心代码目录，包含前端、后端、共享工具等子包，实现功能模块化拆分：

• frontend/：前端代码，负责用户交互界面（文本输入、参数设置、音频播放等）；

• backend/：后端代码，处理业务逻辑（文本分段、TTS调用、流式传输、文件存储等）；

• shared/：共享工具与类型定义，确保前后端数据结构一致；

• scripts/：脚本目录，包含部署辅助、依赖管理等脚本；

• tts-api/：TTS相关API封装目录，处理与第三方TTS引擎（如Azure TTS、OpenAI）的交互；

• 根目录配置文件：Dockerfile（容器构建配置）、docker-compose.yml（容器编排配置）、package.json（项目依赖与脚本）、.env.example（环境变量示例）等，保障项目可快速部署与配置。

（三）环境变量配置

EasyVoice支持通过环境变量自定义服务参数，核心环境变量说明如下（配置文件优先级：packages/backend/.env > 根目录.env）：

（四）核心技术亮点

1. 流式传输实现：通过Express框架的响应流（Response Stream）结合ffmpeg的实时音频处理能力，将超长文本分段解析后，逐段调用TTS引擎生成音频片段，实时推送给前端，实现“边生成边播放”，避免用户长时间等待。

2. 多角色配音架构：设计了结构化的参数模型，支持为每个角色单独配置voice（音色）、rate（语速）、pitch（音调）、volume（音量）等参数，通过API批量提交角色文本与配置，后端自动拼接音频，确保多角色切换自然流畅。

3. AI推荐逻辑：集成大模型API，将用户输入的文本按语义分段后，分析每段文本的场景（如旁白、对话、冲突场景）、情绪（如平静、紧张、悲伤），匹配预设的语音参数模板，推荐最适合的音色与调整参数，平衡“智能”与“高效”。

4. 跨平台部署适配：通过Docker容器化封装依赖环境，无需担心不同系统（Windows、Linux、Mac）的环境冲突，同时支持Docker Compose一键启动，简化多服务协同部署流程；本地运行模式则适配Node.js生态，开发者可快速进行二次开发。

5. 音频与字幕同步：在生成音频的同时，通过TTS引擎返回的时间戳信息，自动生成字幕文件，确保音频与字幕的时间轴精准匹配，无需手动调整。

（五）角色自定义技术实现

EasyVoice支持通过API实现高级角色自定义，用户可通过HTTP请求批量提交多角色文本与配置，后端自动生成整合音频。例如，通过curl命令调用接口：

curl -X POST http://localhost:3000/api/v1/tts/generateJson \
 -H "Content-Type: application/json" \
 -d '{
 "data": [
  {
   "desc": "徐凤年",
   "text": "你敢动他，我会穷尽一生毁掉卢家，说到做到",
   "voice": "zh-CN-YunjianNeural",
   "volume": "40%"
  },
  {
   "desc": "姜泥",
   "text": "徐凤年，你快走，你打不过的",
   "voice": "zh-CN-XiaoyiNeural"
  },
  {
   "desc": "旁白",
   "text": "面对棠溪剑仙卢白撷的杀意，徐凤年按住剑柄蓄势待发...",
   "voice": "zh-CN-YunxiNeural",
   "rate": "0%",
   "pitch": "0Hz",
   "volume": "0%"
  }
 ]
}' \
-o output.mp3

该请求中，每个角色的desc（角色描述）、text（角色文本）、voice（音色）及各类调整参数独立配置，后端接收后按顺序调用TTS引擎生成音频片段，再通过ffmpeg拼接为完整的output.mp3文件，实现多角色音频的无缝整合。

四、应用场景

EasyVoice的功能设计覆盖了个人、创作者、企业、教育等多个领域，以下是其典型应用场景及使用方式：

（一）小说创作者：一键生成有声书

对于网络小说作者、出版社而言，将文字作品转为有声书是拓展传播渠道的重要方式，但传统有声书制作需聘请配音演员、后期剪辑，成本高、周期长。EasyVoice完美解决这一痛点：

• 无需分段处理，直接上传10万字以上的小说文本（.txt格式）；

• 为主角、配角、旁白分配不同音色，通过多角色配音功能实现对话与旁白的差异化呈现；

• 开启流式传输，边生成边试听，及时调整角色语音参数；

• 自动生成字幕文件，便于有声书平台上架（部分平台要求提供字幕）。 最终可快速生成高质量有声书，成本几乎为零，周期从“数周”缩短至“数小时”。

（二）视频创作者：高效生成配音与字幕

短视频、自媒体视频、影视剪辑等创作者，往往需要为视频搭配配音与字幕，传统流程需先写文案、找配音工具生成音频、再用剪映等工具制作字幕，步骤繁琐。EasyVoice提供“一站式解决方案”：

• 粘贴视频文案，选择适合视频风格的音色（如搞笑视频用活泼女声，科普视频用沉稳男声）；

• 调整语速与视频画面节奏匹配（如快节奏视频设置“+30%”语速）；

• 生成音频的同时自动获取字幕文件，直接导入剪映等剪辑工具，省去手动打轴步骤；

• 支持多角色配音，适用于剧情类短视频（如角色对话场景）。 这一流程可将“配音+字幕”的制作时间从“1小时”缩短至“10分钟”，极大提升创作效率。

（三）自媒体人：制作音频内容矩阵

播客、喜马拉雅等音频平台的自媒体人，需要持续产出音频内容（如读书分享、时事评论），但部分创作者缺乏专业配音设备或声音条件。EasyVoice可帮助其快速搭建内容矩阵：

• 将图文稿件转为音频，上传至音频平台，实现“一文多平台分发”；

• 通过AI推荐配音功能，匹配内容风格（如情感类内容用温柔女声，财经类内容用专业男声）；

• 调整音量与音调，优化音频听感（如降低“-10%”音量避免刺耳）；

• 支持超长文本转换，可将长篇读书笔记转为系列音频，打造“有声书单”栏目。

（四）教育领域：制作教材与课件音频

教师、培训机构需要将教材、课件、习题解析转为音频（如供学生课前预习、课后复习收听），EasyVoice适配教育场景的核心需求：

• 转换课本内容、知识点总结为音频，支持调整语速（如“-10%”语速，便于学生理解知识点）；

• 多语言支持可用于外语教学（如将英文课文转为音频，搭配原文字幕，帮助学生练习听力）；

• 支持批量生成多个章节的音频，按章节命名存储（如“语文上册-第1课.mp3”），便于整理课件；

• 部署到学校内网，保障教学内容数据安全（开源特性支持私有部署）。

（五）企业用户：制作标准化音频内容

企业往往需要制作产品介绍、客服语音、办公文档音频等内容，要求风格统一、质量稳定。EasyVoice的优势在于：

• 产品介绍音频：选择专业商务音色，调整音调与音量，确保音频清晰、有说服力，可用于官网、展会播放；

• 客服语音：将常见问题（FAQ）转为音频，用于IVR语音导航（如“请按1咨询产品售后”），支持批量生成多个导航节点音频；

• 办公文档音频：将公司制度、会议纪要转为音频，员工可在通勤时收听，提升信息传递效率；

• 私有部署：通过Docker部署到企业云服务器，保障商业文档数据不泄露，符合数据安全规范。

（六）个人用户：“听”文本内容

普通个人用户可通过EasyVoice解决“没时间读文本”的痛点，适用于多种日常场景：

• 转换长篇小说、公众号推文为音频，通勤、健身时收听，充分利用碎片时间；

• 转换学术论文、工作报告为音频，边听边梳理思路（如设置“-20%”语速，便于理解复杂内容）；

• 转换英文文档、新闻为音频，搭配字幕学习英语听力；

• 自定义语音参数，打造“专属听书声音”（如喜欢的音色+“-5%”语速）。

（七）开发者：二次开发与功能扩展

由于EasyVoice是开源项目，开发者可基于其代码进行二次开发，适配特定场景：

• 接入自有TTS引擎（如公司内部研发的TTS服务），替换默认的Azure TTS；

• 扩展语言支持（如添加日语、法语等语种）；

• 集成到现有系统（如内容管理系统CMS，实现“发布文章时自动生成音频”）；

• 开发新功能（如声音克隆、方言配音，项目后续计划支持，开发者可提前适配）。

五、使用方法

EasyVoice的使用流程分为“部署服务”“基础使用”“高级使用”三个环节，操作简单，技术与非技术用户均可快速上手：

（一）部署服务：两种方式任选

方式1：Docker部署（推荐，无需配置环境）

Docker部署无需安装Node.js、pnpm等依赖，适用于非技术用户或快速验证功能，步骤如下：

1. 确保本地安装Docker与Docker Compose（参考Docker官方文档：https://docs.docker.com/get-docker/）；

2. 打开终端（Windows用PowerShell，Mac/Linux用Terminal）；

3. 极简运行（快速启动，默认配置）：

   docker run -d -p 3000:3000 -v $(pwd)/audio:/app/audio cosincox/easyvoice:latest

• 说明：-p 3000:3000表示将容器的3000端口映射到本地3000端口；-v $(pwd)/audio:/app/audio表示将本地当前目录的audio文件夹挂载到容器，生成的音频与字幕会保存在这里；

4. 自定义配置运行（如修改端口、设置OpenAI API Key）：

   docker run -d -p 8080:3000 -v $(pwd)/audio:/app/audio -e OPENAI_API_KEY=your_key -e PORT=3000 cosincox/easyvoice:latest

• 替换your_key为你的OpenAI API密钥，8080为自定义本地端口；

5. Docker Compose运行（适合多服务协同，如后续扩展数据库）：

• 克隆仓库：git clone https://github.com/cosin2077/easyVoice.git；

• 进入目录：cd easyVoice；

• 启动服务：docker-compose up -d；

6. 验证部署：打开浏览器访问http://localhost:3000（或自定义端口），出现EasyVoice操作界面即部署成功。

方式2：本地运行（适合开发者，支持二次开发）

本地运行需要配置Node.js与pnpm环境，步骤如下：

1. 安装依赖环境：

• 安装Node.js（版本建议16+）：参考官方文档https://nodejs.org/，安装完成后通过`node -v`验证；

• 安装pnpm：执行corepack enable（Node.js 16.14+自带corepack），或npm install -g pnpm（通过npm安装）；

2. 克隆项目仓库：

   git clone git@github.com:cosin2077/easyVoice.git
   cd easyVoice

3. 安装项目依赖：

   pnpm i -r

• -r参数表示安装所有子包（packages/frontend、packages/backend等）的依赖；

4. 启动服务：

• 开发模式（支持热更新，适合二次开发）：pnpm dev:root；

• 生产模式（性能更优，适合正式使用）：pnpm build:root && pnpm start:root；

5. 访问服务：打开浏览器输入http://localhost:3000，即可进入操作界面；

6. 停止服务：终端按Ctrl+C（Windows/Mac）即可停止。

（二）基础使用步骤（网页端操作）

1. 访问界面：部署成功后，浏览器打开http://localhost:3000，进入EasyVoice主页面；

2. 输入文本：在“文本输入”框粘贴文本内容，或点击“上传文件”选择.txt格式文本（支持大文件上传）；

3. 语音设置：

• 选择语言（默认中文简体，可切换英文）；

• 选择性别（男性/女性/中性）；

• 选择预设语音（如“zh-CN-晓晓”“zh-CN-云健”等，可点击“试听文本”验证音色）；

• 调整语速、音量、音调（拖动滑块或输入数值，如语速输入“+20%”）；

4. 试听效果：点击“试听”按钮，播放测试文本的语音效果，不满意则返回步骤3调整参数；

5. 生成内容：点击“生成语音”按钮，系统开始转换文本，超长文本会启动流式传输，可立即播放；

6. 下载文件：生成完成后，点击“下载音频”“下载字幕”，获取对应的.mp3音频文件与字幕文件。

（三）高级使用：角色自定义与API调用

对于需要多角色配音的场景，可通过API调用实现高级自定义（以curl命令为例）：

1. 确保服务已启动（本地部署为http://localhost:3000）；

2. 复制以下curl命令到终端，修改data数组中的角色配置（desc、text、voice等参数）；

3. 执行命令，生成整合后的多角色音频（输出为output.mp3）。

API参数说明

六、常见问题解答（FAQ）

Q1：如何配置OpenAI相关信息？

A：若需要使用OpenAI兼容的TTS引擎或AI推荐配音功能，需在配置文件中添加OpenAI相关参数：

1. 复制项目根目录的.env.example文件，重命名为.env（或直接修改packages/backend/.env，优先级更高）；

2. 在文件中添加以下内容：

   OPENAI_API_KEY=your_api_key # 替换为你的OpenAI API密钥
   OPENAI_BASE_URL=https://openrouter.ai/api/v1 # 可替换为第三方兼容API地址
   MODEL_NAME=deepseek # 替换为使用的大模型名称（需与API地址兼容）

3. 重启服务，配置生效。支持所有OpenAI兼容的API地址与模型（如deepseek、claude等）。

Q2：为什么AI配音效果不好？

A：AI推荐配音的效果依赖大模型的分析能力，若效果不佳，可通过以下方式优化：

1. 更换大模型：在.env文件中修改MODEL_NAME，选择更擅长文本分析的模型（如GPT-4、deepseek-coder）；

2. 关闭AI推荐，手动选择固定音色：通过“预设语音”选择合适的音色，避免大模型误判场景；

3. 分段生成：将超长文本按场景拆分（如对话段、旁白段），分别设置参数后生成，再手动拼接；

4. 调整语音参数：若音色合适但情绪不匹配，可微调音调（如紧张场景设置“+5Hz”音调）。

Q3：生成速度太慢，如何优化？

A：生成速度慢主要与两个因素相关，可针对性优化：

1. 关闭AI推荐配音：AI推荐需要大模型分析文本，会增加处理时间，直接选择固定音色可大幅提升速度；

2. 调整Edge-TTS并发数：在.env文件中修改EDGE_API_LIMIT参数（默认3），可调整为5-10（建议不超过10，避免触发API限制），增加并发数可加快超长文本的分段生成速度；

3. 更换更快的TTS引擎：若部署环境支持，可接入响应速度更快的TTS引擎（如本地部署的TTS服务），替代默认的Edge-TTS；

4. 优化网络环境：若使用Azure TTS或OpenAI API，确保网络通畅，避免网络延迟导致的速度下降。

七、相关链接

• 项目GitHub仓库：https://github.com/cosin2077/easyVoice

• 在线体验地址：https://easyvoice.ioplus.tech

八、总结

EasyVoice作为一款开源免费的文本转语音解决方案，以“无字数/时长限制、多角色配音、流式传输”为核心亮点，覆盖了从个人听书、创作者配音到企业办公、教育教学的全场景需求。其功能全面且实用，不仅支持超长文本转语音、自动字幕生成、多语言适配等基础功能，还提供AI智能推荐、全维度参数自定义等进阶功能，兼顾了普通用户的“易用性”与开发者的“扩展性”。技术层面采用Vue3、Node.js、Docker等成熟技术栈，部署灵活（支持Docker与本地运行），二次开发门槛低；使用流程简单直观，非技术用户也能快速上手。无论是小说创作者快速生成有声书、视频创作者高效制作配音字幕，还是企业部署私有TTS服务，EasyVoice都能以“零成本、高效率、高质量”的优势满足需求，是当前开源TTS工具中兼具实用性与灵活性的优质选择。