EasyVoice 文字轉語音實測：小說變有聲書，先看清免費的代價

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

一段 27 個字的台灣華語文字，不用註冊帳號、不用裝任何東西，送出去 1.09 秒之後，回來的是一個將近 6 秒的 MP3 音檔。這是我在 EasyVoice 官方示範站上實際測到的數字，音檔格式 96kbps、24kHz 單聲道，內容長度跟字數對得上。它標榜把整本小說轉成有聲書，完全免費、沒有時數限制。

一個能把十萬字小說變有聲書的服務憑什麼免費、你的文字在過程中會流經誰、台灣讀者的聲音選擇夠不夠用，這三個問題比功能清單更值得先問清楚。EasyVoice 的原始碼公開在 GitHub 上，每一個答案都對得到檔案。

Pin

免費的聲音從哪來：微軟瀏覽器裡的朗讀功能

EasyVoice 的作者在文件裡寫得很老實，現在的免費語音合成主要透過 Edge 的朗讀服務提供。這句話翻譯成白話：它用的不是微軟開放給開發者的正式付費介面，而是 Edge 瀏覽器內建朗讀功能背後的那個服務端點。

原始碼裡的證據更具體。專案內附的授權憑證產生器會用一組固定的識別金鑰，加上取整到五分鐘的系統時間戳做雜湊，產生名為 Sec-MS-GEC 的通行權杖，並且把請求偽裝成 Chromium 143 版瀏覽器的身分。這正是微軟在朗讀端點前面加的那道門禁，社群裡各種免費朗讀工具都是靠同一套手法通關。也就是說，EasyVoice 的免費建立在微軟沒有承諾提供給第三方工具的通道上，通道一旦收緊，工具就得跟著改。

對照它自己的行銷文字，這裡有個值得停下來的落差。README 的技術段把語音引擎寫成 Microsoft Azure TTS，聽起來像正規軍；但同一份文件的 Tips 段又說目前主要靠 Edge 的免費服務。兩者共用同一批類神經聲音，走的大門不同：一個要付費金鑰、有官方保障，一個免費、隨時可能變卦。文件同時承認併發開太高會被限制，所以預設把併發上限設成 3，想加速的自行承擔風險。

這條免費通道現在還活著嗎？示範站上有個公開的任務統計端點，我查詢當天看到的是 423 個任務、423 個完成、0 個失敗。樣本不大，但至少說明近期使用的人都有正常拿到音檔，還沒有發生端點整片失效的狀況。順帶一提，這個統計端點連伺服器的記憶體用量都一併回報，站方對外暴露的營運資訊比一般服務大方，工程味很重，用起來倒是無妨。

你的文字會流經誰：三種用法的路線不一樣

EasyVoice 有三種用法，文字走的路線完全不同，怎麼選就看你要讓文字流經誰。

最省事的是直接用官方示範站。你貼上去的文字會先送到站方的伺服器，再由站方的機器轉送微軟端點合成聲音。示範站沒有提供隱私政策頁，文字會不會被留存、留多久，查不到任何說明。把短文、公開資料丟上去試聽沒問題；但如果是還沒出版的小說手稿或公司內部文件，這個未知要自己評估。

再往上一層是自己架。專案提供 Docker 映像檔，一行指令就能在自己機器上跑起來，產生的音檔和字幕會落在自己的硬碟裡。這解決了音檔落地的問題，但要注意合成這一步仍然連向微軟的朗讀端點，因為預設引擎就是它。GitHub 上有人回報在完全沒有對外網路的內網環境裡無法生成，討論區的回覆也證實了這一點：文字不出門，聲音就出不來。

要求最嚴格的是全本機路線。專案的引擎採外掛式設計，除了內建的免費引擎，也保留了讓自架聲音模型接進來的介面，原始碼裡對接的是名為 Kokoro 的開源語音模型，預設位置在本機的 8880 埠。想走到這一步，等於要自己再把另一個開源模型架起來，門檻明顯高了一截，也只有這條路能讓文字完全離不開你自己的機器。

另外還有一條容易忽略的支線：AI 智慧選角。這個功能會請大型語言模型替你的文章分段、分配角色和聲音，而它的實作是把輸入的完整內容連同聲音清單一起放進提示詞，送往你自己設定的 AI 端點。提示詞裡對模型的要求寫得相當細：按場景、角色、旁白切分文字，依角色性格從清單裡挑聲音，為每一段建議語速、音量和音調，而且交代不能漏句、不能調換順序，最後以固定格式回傳。這個端點要自填 API 金鑰，預設是 OpenAI，官方問答也建議可以換成其他相容服務。換句話說，開了這個功能，整份手稿就會交給你設定的那家 AI 服務；不設金鑰，就只有固定聲音可以選。資料私有跟 AI 處理私有是兩回事，整個專案的界線，就數這裡畫得最清楚。

順帶一提，選角的品質完全取決於你接的模型。官方問答自己承認，AI 配音效果不好時，能做的是換更強的模型，或者退回固定聲音；討論區裡也有人回報選角功能補全失敗的狀況。這條支線目前更像半成品，能用，但別把第一版結果當定稿。

台灣讀者的聲音清單：59 個聲音裡的 3 個

實測當天示範站回報的聲音清單共 59 個類神經聲音。聽起來不少，但拆開看就知道緊張在哪：台灣華語只有 3 個，兩女一男；中國大陸腔 6 個，隔天再查多出遼寧、陝西兩個方言變體，這份清單會漂移；廣東話 3 個；其餘是英文和其他語系。

3 個聲音對短文配音夠用，對長篇有聲書就是實際限制了。一本二十萬字的小說念下來，角色再多也只在 3 個台灣腔聲音裡輪替，聽感單調是可預期的。多角色功能真正的彈性在對岸腔調的聲音池裡，如果你的作品不介意混用不同的中文口音，選擇會寬很多；堅持全台灣腔，就要接受這個上限。我也比對過原始碼裡的聲音清單檔，台灣華語的數量同樣是 3，示範站沒有少給，這個專案收錄時就只有這 3 個。若瓶頸真的卡在聲音身上，另一條路是用 AnyVoice 這類聲音複製工具先做出自己的專屬聲音，再回頭配到文稿上，兩種工具解的是不同段落的問題。

值得一提的是它處理長文的方式。介面上貼完就能按生成，聲音採串流回傳，不需要等整本書轉完才能開始聽；生成的音檔旁可以同步產字幕檔，做影片的人拿得到時間軸。進階玩法是直接呼叫它的 JSON 介面，把小說對話逐句標好角色、聲音、語速、音調再送出，文件裡給的範例就是武俠小說對白，每個角色配不同聲音，連旁白的語速和音調都逐段指定。至於十萬字一鍵轉完這件事，官方這樣宣稱，我實測的規模只有單句，整本書的實際表現留給讀者用自己的稿件驗證。

Pin

原始碼公開，授權條款還沒寫上去

EasyVoice 在 GitHub 上有超過兩千三百顆星、三百多個分支，2025 年 3 月開張，Vue 3 前端加 Node.js 後端的 TypeScript 專案，程式碼結構乾淨，聲音引擎、語言模型選角、任務佇列各有模組。最近一次程式更新停在 2026 年 1 月，不過討論區到 9 月都還有人回報使用狀況，不算死專案，只是節奏放慢了。它沒有發過任何正式版號，部署以 Docker 映像檔或原始碼為準，這對自架的人代表一件事：更新與回滾沒有版本表可對照，抓最新映像檔就是唯一選項。

討論區的未回應清單還透露了幾個有聲書製作者會在意的缺口。有人問能不能在文字裡插入幾秒靜音或停頓，至今開著；有人希望生成時能加背景音樂，也還開著。想做章節間的呼吸感或配樂，現在都得靠後製自己處理，把成品當 podcast 經營的人得自己吃下這筆成本。

但有一件事要特別提醒：整個倉庫找不到任何授權條款。GitHub 的自動偵測顯示授權狀態是 None，專案自己的套件定義檔裡授權欄也是空的。原始碼公開不代表授權開放，沒有授權條款代表法律上預設保留所有權利，你可以看、可以抓回來自己用，但改作、散布或拿去商用，嚴格說都需要先向作者取得同意。個人品質的自架使用風險很低，公司專案或商業產品要採用它，這一步省不得。

從貼上到拿到音檔：兩種入口的實際操作

用官方示範站的流程短到不需要教學：打開網頁，把文字貼進輸入區，從下拉選單挑聲音，按生成，串流聲音幾秒內開始播放，完成後可直接下載音檔，需要字幕的把它一起勾了。整條路沒有註冊、沒有驗證碼，這也是它的介面留給人印象最深的地方。有個小地方先說在前面：介面本身是簡體中文，語言選單的預設值也停在對岸的聲音上，台灣使用者第一次進來記得先把語言切到繁體中文選項再挑聲音。要注意的是節流：以專案預設組態而言，每分鐘生成上限是 10 次，超過會被擋下來等下一個週期，示範站有沒有調過這個值，站方沒說。

Pin

自己架的人走的是同一套介面，差別在後面。Docker 一行指令起服務，把容器裡存放成品的目錄掛出來，生成的音檔和字幕就落在你指定的資料夾；要開 AI 選角，就在環境變數裡填上你選的 AI 服務位址、金鑰和模型名稱，重啟容器生效。專案給的說明也寫明了調速的兩個旋鈕：併發上限往上開可以加快整本書的生成，但開太高會被微軟端點節流，官方給的安全建議是 10 以下。

它也能當成網頁應用裝到手機或電腦上，這點我檢視示範站首頁的原始碼，安裝清單檔確實在。但要把兩件事分開：安裝到桌面的是介面，生成仍然是雲端的事，斷網狀態下能聽的只有已經生成完的音檔。有些介紹把它說成隨時離線使用，對照內網部署會失敗的回報，這個說法並不成立，挑工具時別被這四個字帶著走。

短文用示範站，長期自架，機敏內容走本機

把天花板放在一起看會更好做決定：台灣華語聲音只有 3 個、商用授權尚未標明、預設合成依賴微軟的非官方通道、示範站對文字留存沒有任何說明。這四件事加起來，就是決定你該站在哪個位置使用它的座標。

只是想快速把一段文字變聲音、內容也不敏感的人，官方示範站直接用，一分鐘內就能拿到音檔，這是我實測的路徑，也是它對一般使用者最平易近人的一面。要長期把小說轉成有聲書、音檔想留在自己機器上的人，走 Docker 自架，免費通道目前堪用，但心裡要有併發節流和端點政策改變的備案。文字完全不能出門、或追求長期穩定的商業使用，這條免費通道就不該是主力：要嘛自架 Kokoro 引擎換全本機，要嘛考慮走官方正式路線，像 SpeakItAI 串 Azure 免費額度做可下載音檔那類做法，責任歸屬清楚得多。兩者用的是同一批類神經聲音，真正的差別在出事時找誰：官方額度有帳號、有用量紀錄、有申訴管道，非官方端點的免費則隨時可以被收走，這是我在兩種工具上都實際走過之後，建議放進決策的權重。

判斷成不成功的標準也很具體：在示範站貼一段自己的文字，一分鐘內聽到聲音，這工具對你就算及格。失敗的處理順序同樣單純，速度慢就檢查併發設定，完全斷網就換自架引擎，AI 選角結果不理想就退回固定聲音。同場加映一個過來人視角：語音工具的世界裡，文字流向永遠比功能清單值得先問，之前實測 SAM TTS 時同一個問題就決定了它適合誰，EasyVoice 把三種路線都留給你選，算是同類工具裡少見的誠實設計。