LibreTTS 免費文字轉語音：不用帳號，中文稿直接變微軟語音

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

先說結果：我把四個字交給它，0.31 秒後拿到一個 MP3。中間沒有註冊頁、沒有試聽次數用完的彈窗、沒有跟你要信箱的步驟。LibreTTS 是一個把文字變成語音檔的免費網頁工具，聲音用的是微軟的類神經語音，整份原始碼開源，想自己架一份也只要一行 Docker 指令。這篇把我實際測它、翻它的程式碼之後看到的事情攤開來講，包括這份免費是怎麼來的、你的字稿會經過誰的手，看完你可以自己決定要用公共站，還是架一份自己的。

實測：四個字變成聲音檔，中間沒有任何帳號

我直接呼叫它的語音生成端點，選定「曉曉」這個聲音、送進「你好世界」，0.31 秒後伺服器交出 12,528 位元組的 MP3。用檔案工具驗證過，是貨真價實的 MPEG 音檔：24kHz 取樣、48kbps 位元率、單聲道。整個過程不需要金鑰、不需要登入，連滑鼠都不用動到註冊鈕，因為那個按鈕不存在。

聲音清單是我從它的語音列表介面逐一數出來的：共 958 個，橫跨 82 種語言代碼，英語最多有 211 個，中文相關 91 個，其中中國大陸 84 個（含東北、四川等幾支地方口音）、台灣 3 個（曉臻、曉雨、雲哲）、香港粵語 3 個，外加一個多說話人的 Dragon HD 新聲音。清單裡另有 59 個標著 Multilingual 的多語聲音，同一個聲音可以直接朗讀中英混雜的稿子，不用換人。這個量級在免費工具裡少見，多到介面必須附搜尋框讓你用名稱或編號過濾，而不是靠下拉選單慢慢翻。

生成前還有一個省事的小設計：試聽鈕只取字稿的前 20 個字做一次短語音，讓你先確認聲音挑對了沒有，滿意再按正式生成，長稿不必整篇重來。下載檔名走樸素路線，固定叫 voice 加上所選副檔名，要批次歸檔的人自己改檔名，會比期待工具幫你命名可靠。更懶的人可以連介面都不開：它的生成端點吃網址參數，把文字、聲音、語速寫進一條網址，瀏覽器貼上去就直接出聲，做書籤或嵌入別的流程都行。

它的程式架構裡其實內建了一道訪問密碼閘門，由站方用環境變數決定開不開。我查了它負責檢查密碼狀態的介面，公共站目前是關閉狀態，任何人打開就是全功能。

Pin

免費的來源：它拿微軟翻譯 App 的身分去敲微軟的門

最值得拆開講的，是這份免費從哪裡來。

翻它的伺服器程式碼（src/lib/edgeTts.ts），每次生成語音前，它會先做一件事：向微軟的 dev.microsofttranslator.com 要求一組臨時端點授權。這個請求帶著名為 MSTranslatorAndroidApp 的簽章，簽章用一把 HMAC-SHA256 金鑰算出來，而這把金鑰直接寫在原始碼裡（第 164 行起的一串 base64 字元），跟著開源專案一起公開。取得授權後，它把你的文字包成 SSML（語音合成標記語言，一種告訴引擎怎麼讀的格式），送到微軟的語音服務端點，換播音檔。

換句話說，微軟對外開放的免費方案它一個都沒走，它借的是微軟翻譯 App 內部使用的那條通道。沒有人付錢，因為微軟沒有對這條內部通道收費；但也沒有任何契約保障，微軟哪天把門關上，工具不會提前收到通知。

站方自己也是這樣理解的。網站在引擎選項旁的說明文字寫的是「Edge API 請求應該不限次數」，連站長都只敢用「應該」兩個字，這個用詞比任何免責聲明都誠實。

這條通道確實壞過。2025 年 11 月有人上 GitHub 通報生成時出現「取得端點失敗，狀態碼 404」的錯誤，這個 issue 到今天還掛著沒關；而我這次實測一切正常。兩件事放在一起看，意思很清楚：通道會壞，壞了會修好，但沒有人保證下次壞多久。要拿它做正事的讀者，手上永遠該有第二個工具當備援。

成品規格：958 種聲音、停頓標籤與二十種情緒

輸出格式有四種（MP3、Opus、WAV、PCM），語速、語調、音量各有一個滑桿，數值直接對應引擎的 SSML 參數。字稿裡可以插停頓標籤，介面上有指定秒數的插入鈕，原理是在文字裡安插 break 標記，引擎讀到那裡就停一秒再繼續。工程上有個值得稱許的細節：送出前伺服器會把文字全部轉義，只放行格式精確的停頓標籤，想借標籤夾帶其他指令進語音引擎，會被擋在門外。

聲音的表現力比一般免費 TTS 多一層。以曉曉為例，我從它的語音詮釋資料介面逐項數過，共有二十種情緒風格可選：聊天、新聞播報、客服、愉快、生氣、冷靜等；部分聲音還支援角色扮演欄位，切換年齡感或性別感的音色。不支援這些功能的聲音，欄位會自動收起，不會讓你選了卻沒效果。

長稿的處理也做了功課。輸入框的計數器有自己的單位制：中文字一個算 2 單位、英數字一個算 1 單位、停頓每秒折 11 單位，上限十萬單位。換算成實際感受，一篇一千字的中文稿是兩千單位，離上限還很遠；會碰到上限的是整本書等級的字量，而超過五千單位的稿子會按標點符號自動分段，逐段生成再接起來。分段的優先順序有講究：先換行、再句末標點、接著分號與逗號，往字句深處才退讓，切出來的段落節奏跟朗讀的呼吸大致對齊。程式碼裡對停頓標籤也有保護，分段時把它當成不可切開的整體，不會切一半剩下半個標籤。

頁面右側有最近 50 筆的生成歷史，只存在瀏覽器的記憶體裡，關掉頁面就清空。這個設計等於宣告：你的生成紀錄不落地、不進資料庫，站方伺服器上沒有一個存放你字稿的地方。

Pin

你的字稿會經過誰的手

用公共站時，字稿的路徑是：瀏覽器到 libretts.is-an.org（掛在 Cloudflare 後面，主機是贊助的 VPS），再到微軟。SSML 是在站方伺服器上組裝再轉發的，也就是說，站方伺服器看得到你的全文。有一個對它有利的事實要一起講：整個專案的依賴清單只有 Next.js、React 跟一個圖示庫，沒有任何資料庫或儲存引擎，伺服器收字、轉發、交出音檔，行程結束手上就沒東西了。「不留存」在這裡是架構事實，比寫在隱私政策裡的承諾更硬。不過架構不留存不等於每一層都不留，伺服器日誌、Cloudflare 的連線紀錄仍照一般網站運作，機密等級的稿子，標準答案依然是自架。朗讀一篇文章、做個影片旁白草稿，這條路徑無妨；換成未公開的內部文件，就該考慮下一節的自架方案。

它還有第二個引擎叫 OAI-TTS，是站長自架的 OpenAI 相容中繼站，同樣免金鑰。我實測同一組文字，它花 4.45 秒交卷，比 Edge 引擎慢了好幾倍，換到的是支援情感指示：你可以用一句白話描述想要的語氣，代價是停頓標籤在這個引擎上無效。兩個引擎各自的下拉選單切換，生成邏輯互不干擾。

再往深一層看，這個網站其實是個通用前殼。它內建了 OpenAI、矽基流動、ElevenLabs、MiniMax、Fish Audio、Google Cloud TTS、Azure 官方、火山引擎、GPT-SoVITS 的預設模板，也可以用自訂請求模板接任何 HTTP 語音服務。模板系統給了開發者足夠的螺栓：請求方法、端點與表頭都吃佔位符，字稿、聲音、語速、金鑰用雙花括號的變數填進去；答案端支援三種解碼（base64、hex、直接給網址），碰到送 JSON 而非音檔的服務，也能指定從哪個欄位取音。模板吃得到的服務名單裡甚至包含自架的 GPT-SoVITS，這代表它認真把自己定位成「配音桌」，引擎誰來都行。填好端點跟金鑰之後，有意思的事情來了：發音請求由瀏覽器直接打你填的端點，不經過站方伺服器，金鑰存在瀏覽器的 localStorage 裡。對自帶金鑰的人，這是它隱私設計裡最乾淨的一段：鑰匙不過站方的手。

兩個附帶提醒。金鑰在 localStorage 裡是明文，共用電腦上用完記得清；匯出配置檔會連金鑰一起打包，而且匯出檔名到今天還叫 ciallo-tts-apis-日期.json，這是它舊名字留下的活化石，把配置分享給別人之前，先開檔案把金鑰刪掉。

還有一個對開發者友善的細節：它的語音端點把 CORS 開成星號，任何網頁都能直接呼叫。想在自己作品裡嵌一個發音鈕，不用後端中轉，直接打它的 API 就行。當然，這條路同樣沒有穩定契約，正式產品別把命脈押在上面。

自己架一份：一行 Docker，密碼自己開

專案以 MIT 授權開源，用 Next.js 寫成，GitHub 上累積 217 次提交，最新版 1.3.0 是三天前才發佈的，維護狀態健康。官方 Docker 鏡像放在 GHCR，amd64 與 arm64 都有：

docker run -d -p 3000:3000 -e PASSWORD=你的密碼 --restart unless-stopped --name libretts ghcr.io/librespark/libretts:latest

一行起服務，要密碼保護就帶 PASSWORD 環境變數，第一次訪問輸入後同一台裝置記住，之後不再問。自架之後，字稿只進你自己的機器與微軟；想走官方付費通道，把自己申請的 Azure 金鑰掛進自訂 API 就行。不想碰 Docker 的人有更輕的選擇：fork 一份 repo 匯進 Vercel，平台自動認得這是 Next.js 專案，預設設定按下去就能部署。要注意 Vercel 的免費方案條款限個人非商業用途，公司內部要用的話，Docker 路線放自己的機器上比較沒有疑慮。

repo 的 384 顆星對著 336 個 fork，幾乎一比一，這個比例本身就是證據：多數人不是來按讚的，是真的架了一份在用。貢獻者清單上只有一位作者（Zwei），一人專案決策快、更新勤，這三天的版本跳升就是例證；壞處是長期依賴要有心理準備，好在它是開源的，最壞的情況就是社群 fork 接手。公共站的流量成本由 NodeSupport 與 YXVM 兩家 VPS 贊助扛著，這也是它敢把 API 大方開放的底氣。

用之前想清楚的四件事

• 穩定性沒有契約。免費通道借自微軟翻譯 App，issue 追蹤區有通道故障的實證紀錄，站方連次數限制都只寫「應該」。把它放進工作流程前，先想好備援：本地跑的開源模型（例如我們介紹過的 Kokoro TTS）斷網也能出聲，當第二管道剛好。
• 公共站看得到你的字稿。文字在站方伺服器上組裝轉發，而它沒有隱私政策頁，資料怎麼處理沒有白紙黑字的承諾可查。頁面上唯一的第三方腳本是站長自架的 Umami 統計，但這與字稿無關。機密內容，自架。
• 商用授權沒有人背書。聲音是微軟的類神經語音，經借道通道生成，音檔能不能商用，微軟沒有同意、站方也沒有立場保證。要用在對外場合，走 Azure 官方路線申請金鑰，才有憑有據。
• 舊資料會誤導你。這工具 2024 年 11 月以 Ciallo TTS 之名開源，2025 年 5 月改名 LibreTTS，舊網址 tts.ciallo.de 至今仍自動導向新站。網路上留著的舊文章講的介面與 API 組成是上一代架構，對照現況會對不上，查資料時認新名字。

跟站上其他語音工具怎麼選

TechMoon 先前介紹過幾個可以搭配看的工具。同樣走 Edge 語音引擎的 Text2Voice 是另一個入口，但它每小時限 10 次請求，LibreTTS 沒有這個緊箍咒；要走微軟官方通道的，Azure TTS 自架方案把金鑰與計費都攤在陽光下，適合正式用途；要完全離線的，Kokoro TTS 在本機跑模型，不依賴任何雲端。反方向的需求，把聲音變成文字，可以看 ReadLecture 語音轉文字。

LibreTTS 的位置很明確：打開網頁、貼上字稿、拿走 MP3，這三步之間沒有任何東西攔你。做影片旁白草稿、有聲書雛形、語言學習教材，公共站直接用，它是我見過門檻最低的免費 TTS 之一；字稿機密、要求穩定、或要接自己的 API 金鑰，一行 Docker 架自己的版本，把選擇權握在自己手裡。免費的形狀看清楚再用：它免費，是因為借了微軟的門，不是微軟請客。