開源 Azure TTS 自架服務實測：免金鑰把微軟語音收進自己的 API

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

想在自家伺服器呼叫微軟 Azure 的類神經語音，照官方路線得先開 Azure 帳號、綁信用卡、拿訂閱金鑰。這套 MIT 授權的開源服務走另一條路：下載、執行、貼上文字，0.3 秒內拿到 MP3，全程不需要任何金鑰。它辦得到的原因，也是你該認真看待的風險所在。

我在自己的 Mac 上把這套服務從原始碼編譯、執行起來，貼進 14 個中文字，0.297 秒後拿到一段 26 KB 的 MP3，聲音是台灣腔的曉雨。整個過程沒有申請任何帳號，沒有填過任何金鑰，設定檔一個字都沒改。這不是魔術，接下來會拆開給你看語音是從哪裡來的。

這套工具在 GitHub 上叫 zuoban/tts，介面自稱 TTS Studio，官方示範站掛在 tts.wanjq.com。圍繞它，你大概會想知道三件事：不用金鑰，語音到底怎麼來的？自己架難不難、台灣聲音有多少？還有，直接用官方站就好，幹嘛要自架？三件事的答案，下面逐一拆開，誰該用誰不該用放在最後。

語音真是免金鑰來的：它借用微軟翻譯 App 的簽章

翻開原始碼，答案就在 internal/utils/utils.go 這個檔案裡。服務要合成語音前，會先對 dev.microsofttranslator.com 這個微軟翻譯服務的端點發一個請求，附上一組精心計算過的 X-MT-Signature 簽章。這組簽章的內容是把自己偽裝成微軟翻譯的 Android App：請求標頭裡的 User-Agent 填 okhttp/4.5.0，X-ClientVersion 填 4.0.530a 5fe1dc6c，家區域填 zh-Hans-CN，簽章本身則用一組寫死在原始碼裡的 HMAC-SHA256 金鑰，對「MSTranslatorAndroidApp 加上網址、日期、流水號」這串字計算出來。連發請求的使用者編號，都是當場隨機湊出來的十六進位字串，模仿得相當到位。

微軟那一端驗完簽章，會回傳一組臨時 token 和一個區域代碼。接著服務就拿這個 token 直接當 Authorization 標頭，去打 *.tts.speech.microsoft.com 的 cognitiveservices 端點，也就是 Azure 語音服務正式的合成通道。合成時請求體是一段 SSML 標記語言，聲音、語速、語調、情感風格全包在裡面，服務還會保留你手寫的 break、prosody 這類 SSML 標籤不轉義，給進階使用者留了後門。整個 repo 裡找不到任何 Azure 訂閱金鑰的處理邏輯，付費牆就這樣被繞過去了。

我在本機跑起來的伺服器日誌，完整錄下了這條路：服務向翻譯端點換到 token，被分配到 southeastasia 區域，token 的有效期剩下 46 分 37 秒。這個數字很重要，後面講穩定性時會再回來。順帶一提，設定檔裡雖然寫著 region: eastasia，實際用哪個區域是微軟端點說了算，這個設定值更像備註。

把話講白：免費是真的，但這條通道在微軟的條款裡沒有被點頭。它比較像「借住在飯店大廳」，住了很久沒被趕，不代表持有房契。

自架的最短路徑：一行指令到第一個 MP3

專案提供三種部署形態。最常見的是 Docker，映像檔 zuoban/zb-tts 在 Docker Hub 上累積超過 46,000 次拉取：

docker run -d -p 8080:8080 --name=tts zuoban/zb-tts

跑起來後打開 http://localhost:8080 就是網頁介面，API 在同一個埠直接可用。不想用 Docker 的人可以像我一樣從原始碼編譯，repo 是 Go 後端加 React 19 前端的組合，go build 一個指令產出 15.8 MB 的執行檔，放在 repo 目錄下執行即可，它會自己讀到預設設定。第三種形態是 Cloudflare Worker，整包邏輯壓縮在一支 JavaScript 檔案裡，貼進 Worker 就能跑，適合不想開機器、只要輕量無伺服器的人。Worker 形態還支援設一組 API_KEY 環境變數做簡單門禁，不想被陌生人蹭流量的話記得設。

我實測的兩次合成都在半秒內完成。第一次用台灣腔曉雨，14 個字 0.297 秒；第二次用中國腔曉曉加上 cheerful 情感和 15% 加速，0.235 秒。輸出格式是 24kHz 取樣、48kbps 位元率、單聲道 MP3，這個規格對旁白和聽書綽綽有餘，要進影片剪輯也夠用。長文不用自己切，服務會照標點把文字切成句子，超過 100 字就啟動分段、在 60 到 100 字之間合併後逐段合成再接回來，分段門檻都能在設定檔調，單次請求的文字上限是 65,535 字，一本小說分幾次貼完沒有問題。

重複呼叫的效率也有照顧到。聲音清單在服務端有分層快取，同一份清單重複請求時不會每次都去打微軟端，Cloudflare Worker 形態更把清單快取二十四小時。併發上限預設是 20 個請求，超過的排隊等，自架要同時餵多個流程的話，這個值可以在設定檔調高，機器撐得住、通道不被微軟盯上就好。

779 支聲音的清單裡，台灣腔佔三支

聲音清單直接來自微軟端，我從官方站的 API 拉下完整 JSON，逐筆數過：779 支聲音，涵蓋 154 個語言地區代碼，英文就佔 198 支。中文部分共 80 支，其中 zh-TW 有三支，分別是女聲曉臻、男聲雲哲、女聲曉雨。zh-CN 有 67 支，六種地方變體再佔 7 支，遼寧兩支，廣西、河南、陝西、山東、四川各一支，想要一口四川腔的旁白，在站上介紹過的工具裡，只有這份清單把方言腔調攤開來挑。粵語另有三支，客家話和閩南語則不在清單上。

Pin

要注意的是情感風格的分配並不平均。中國腔的曉曉一支聲音就掛了 20 種風格，從新聞播報、耳語、詩歌朗誦到興奮吶喊都有，體育實況那類風格則掛在雲健身上，API 呼叫時加一個 style 參數就能切換。台灣三支聲音則沒有任何風格標記，就是乾淨的朗讀。若你的內容需要撒嬌、興奮、生氣這類表演性語氣，目前只有 zh-CN 的聲音辦得到，用台灣腔朗讀再交給後製處理是比較務實的路。

API 有三種呼叫形態，全部實測通過：

認證方式有三種任選：Authorization: Bearer 帶在標頭、api_key 塞在查詢字串、或放進 JSON 請求體。自架預設的 api_key 是空字串，等於不設防，要開放給區網以外的呼叫者前，記得先在設定檔把金鑰補上，否則任何知道你網址的人都能消耗你的通道。

想先摸一下這套服務的手感，不用架任何東西，拿官方站跑一條最舊的端點就有效：

curl "https://tts.wanjq.com/tts?t=你好，這是台灣腔的測試&v=zh-TW-HsiaoYuNeural" -o test.mp3

換掉 t 後面的文字和 v 後面的聲音代碼就能試不同的組合，聲音代碼的清單可以打 /api/v1/voices 端點拿到完整 779 筆。這條指令我實際跑過，回傳的是 21 KB 的 MP3。

OpenAI 相容這條路特別值得展開。你的應用本來如果用 OpenAI 的 tts-1 模型，只要把 API 網址換成自己架的這套，model 欄位照填 tts-1，聲音名稱會自動映射到對應的微軟聲音，alloy 映射曉伊、echo 映射雲希、onyx 映射雲健，語速的 0.0 到 2.0 刻度也會換算成微軟的百分比。對已經寫好 OpenAI 整合的人來說，等於免改程式碼就換了一顆台灣聲音的引擎。

直接用官方站可以，但你的文字會出門

如果連 Docker 都懶得裝，官方示範站 tts.wanjq.com 就是現成的。我匿名實測三條合成端點，全部不需要登入和金鑰，各自回傳了可播放的 MP3，舊版端點、第一版 API、OpenAI 相容端點各測一次，在免金鑰、回傳 MP3 這點上行為一致。站上也有完整的網頁介面，選語言、選聲音、調語速語調、按生成，旁邊還有聲音試聽、收藏夾、文字模板和歷史記錄，介面自稱 TTS Studio。

Pin

不過官方站有兩件事你該知道。它的文字會出門，合成發生在站方的伺服器上，你貼的每一個字都會經過它，自架的好處正是這條邊界：文字只進你自己的機器和微軟的語音端點，中間沒有別人。另外，介面是簡體中文，首頁、聲音庫這些導覽字串全部以簡體字寫死在前端原始碼裡，沒有多語言切換，看得懂，但讀起來就是不親切。

這個專案的網址其實搬過家。README 裡閱讀器整合的範例連結還寫著舊網址 t.leftsite.cn，這個網域現在已經沒有回應，根網域連 DNS 紀錄都消失了，倖存的只有 530 錯誤頁。現在的官方站掛在 wanjq.com 底下，GitHub 帳號 zuoban 的個人資料寫著 WangJinQiang，與網域名稱的拼音縮寫對得上，伺服器以 Caddy 架設，看起來是作者自營的機器。照著舊文章裡的 t.leftsite.cn 連結點進去，只會看到錯誤頁。

閱讀 App 的族群在這套工具有專屬位置。API 內建 reader.json 和 ifreetime.json 兩種閱讀器設定的產生端點，網頁介面上有匯入閱讀軟體的按鈕，愛閱記這款 App 的匯入 2025 年 11 月就有了，2026 年 2 月的改版把按鈕補了回來。以閱讀類 App 為例，把自架網址加上聲音和語速參數組成 reader.json 連結，在朗讀引擎設定頁選網路匯入、貼上連結，聽書的聲音就從 App 內建的機器腔換成微軟類神經聲音，整段流程不用碰到任何金鑰。我實際打了 reader.json 端點，它回的是閱讀軟體看得懂的引擎設定檔：名字欄帶你指定的顯示名稱，網址欄是預先組好的合成範本，App 裡的語速滑桿會自動換算成服務端的百分比參數，貼回去就能聽。

免費的代價：token 活不到一小時，通道說斷就斷

回頭看那個 46 分 37 秒的 token 壽命。這正是 2026 年 2 月 2 日 GitHub issue #54 抱怨的問題，標題寫得直白：每隔一個小時都要重啟才能用，是因為 API 失效嗎。原因就是 token 到期後，舊版程式碼不會主動換新。作者隔天提交修復，把快取的 token 提前五分鐘視為過期，並在收到 400、401、403 這類認證失效回應時自動作廢快取、重換 token 重試一次，失敗回應也會記下微軟回傳的請求編號方便追查。修復之後自架的使用者基本無感，但這件事告訴你通道的體質：它的有效性以分鐘計，靠的是程式不斷續命。連向翻譯端點要簽章這一步，程式本身就寫了三次自動重試，看得出來這條路容易抖。

更早的 2025 年 11 月 20 日，issue #42 記錄了另一次集體失效，當時的使用者回報工具突然出問題、完全無法合成，兩次事件相隔不到三個月。這類借道通道的死法通常有兩種：微軟換掉簽章演算法，或直接封鎖這組出廠金鑰。哪一天任何一種發生，所有自架的人會同時啞掉，而且沒有任何 SLA 可以求償。

商用的人要在這裡停一下。微軟語音服務的正式通道是自備金鑰那一條，F0 免費層每個月有 50 萬字元的類神經語音額度，但開通要 Azure 帳號和一張信用卡，這也是站上先前介紹過的 SpeakItAI 走的路。這套開源工具走的通道，在微軟條款裡找不到被允許的依據，也沒有被封鎖的判例，地位只能視為未知。個人的旁白、聽書、自動化產線用它，壞了就換，成本低。要對外收費的產品把地基放在這裡，等於把營運風險押在一個隨時可以單方面關閉的水龍頭上。

專案本身的體質倒是乾淨。MIT 授權，商用改作都合法，授權檔案完整放在 repo 裡。639 顆星、141 個 fork，2024 年 4 月開張，兩年累積下來是個中等規模的社群專案。不過主分支的最後一筆提交停在 2026 年 4 月 28 日，Docker 映像檔最後更新是 2026 年 2 月 4 日，GitHub 上也沒有發布過正式 release，想鎖版本的人只能認 commit。作者回 issue 的速度不差，2026 年 4 月底還回覆了一個提問，但程式碼的推進已經放慢。從提交歷史看，2025 年 12 月到 2026 年 1 月是一波功能衝刺，收藏功能、文字模板、統一認證、官方形象頁和新的設計系統都在這兩個月落地；2026 年 2 月初修完每小時失效的問題，緊接著一輪架構重構；4 月 28 日加入版本化路由和清單快取後就停筆，用的是「能用但不追新」的節奏。

台灣腔、OpenAI 相容、不碰 Azure 帳號：三個條件都中才選它

把站上介紹過的同類工具放在一起看，選擇其實很清楚。想要正規軍路線、願意開 Azure 帳號拿免費額度的人，SpeakItAI 用自備金鑰把 Azure 語音合成包成可下載音檔，文字只送微軟，是條款上站得住的路。只是要聽書、懶得架任何東西的人，Text2Voice 這類免安裝網站半分鐘就能出 MP3，代價是每小時的次數限制和文字出門。已經有 Azure 金鑰、只是想匯入閱讀器設定的人，Azure TTS Importer 產生設定檔就好，根本不用跑服務。想要開源又想避開這條翻譯 App 通道的人，EasyVoice 走 Edge 朗讀引擎的路線，原始碼同樣公開、同樣能自架，聲音選擇少一些。

zuoban/tts 的甜蜜點在三個條件同時成立時：你要台灣或中國腔的微軟類神經聲音、你要 OpenAI 相容的 API 餵自動化流程、你不想碰 Azure 帳號。三個都中，它是站上介紹過的工具裡最短的路。缺任何一個，前面那串替代品都有更合身的選項。

我的判斷是：自己架來用，它是個誠實又鋒利的小工具，MIT 授權、半秒合成、聲音全、API 好接。但對它的免費保持清醒，那是一條借來的通道，今天的 0.3 秒不代表明年的 0.3 秒。重要的產線，請把這套當備援，把自備金鑰的正路當主幹。