SpeakItAI 自架 Azure 語音合成，把免費額度變成可下載音檔

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

把 SpeakItAI 裝起來，輸入 python app.py，瀏覽器會在本機 7860 埠打開一個清爽的三分頁介面。多數人裝這種工具的第一件事是找繁體中文的聲音，第一分鐘就會撞牆：語言選單拉開只有十個選項，英文包辦三個，結尾是 Chinese (Simplified)，中間沒有 Chinese (Taiwan)。

這不是安裝出錯，是它的設計。這個 2025 年 5 月底出現的開源專案，倉庫裡的聲音資料其實收了 153 個語言地區、530 支聲音，繁中佔三支；但介面預設只顯示另一個十行標籤檔裡列過的語言，其餘 143 個全部被藏起來。想讓曉臻、雲哲、曉雨現身，要走一條說明文件沒有直說的路。

SpeakItAI 是把 Azure 每月 50 萬字免費語音額度換成 WAV 音檔的最小自架介面，整個專案只有三個 Python 依賴、11 個提交，五天寫完就停筆，之後維持現狀到今天。它的價值和它的坑都來自同一件事：作者只寫到「自己夠用的最小範圍」。我把專案抓下來在乾淨的虛擬環境裝過、啟動過，三個分頁都實際操作過一遍；手上沒有 Azure 金鑰，所以真正送字合成那一步沒有走完，音質好壞不替你先下結論。作者沒有提供公開展示站，倉庫 46 顆星、一人維護，想試就是自己裝一套。

開箱只亮十個語言，是標籤檔在擋

從零到打開介面的路徑很短：git clone 抓下專案，建一個 Python 虛擬環境，pip install -r requirements.txt 只會裝三個套件（gradio、微軟語音 SDK、dotenv），把 .env.example 複製成 .env 填入金鑰和區域，python app.py 就會起在本機 7860 埠。金鑰的來源是先到 Azure Portal 建一個 Speech 資源、定價層選 F0，再到資源的 Keys and Endpoint 頁面把 Key 和 Region 抄下來，整段說明文件寫得清楚，照走不會迷路。裝好之後真正的第一個關卡，就是語言選單。

語言選單的資料來源有兩個檔案。tts/azure/config.json 是完整的聲音資料庫，裡面按語言地區收了 153 個入口，從南非荷蘭語 (af-ZA)、阿姆哈拉語 (am-ET) 到中文的八個變體都有，中文含簡體、港式繁中和台灣繁中，還有河南、遼寧、陝西、山東、四川五種地方話。另一個 tts/azure/language_labels.json 只有十行，負責把代碼換成人類可讀的名稱，出廠內容是英文三種，加上俄語、法語、德語、西班牙語、義大利語、日語和簡體中文。

程式的判斷很直接：標籤檔有內容，語言選單就只列標籤檔裡的語言；標籤檔是空的，才會把 153 個代碼全部攤出來。所以開箱看到的十個選項，就是那十行標籤的鏡子。這十行同時決定了下拉選單裡顯示的名稱，像 English (UK) 對應 en-GB 這類對照。也因此挖出繁中有兩條路：一條是下面要講的介面三步，另一條是把標籤檔清成空的，重啟之後選單會亮出所有 153 個代碼，再自己認 zh-TW。前者畫面漂亮，後者一次看見全貌，喜歡哪個都行。

Pin

預設畫面會自動帶好第一個語言的第一支聲音和第一個風格，我裝起來時是 English (UK)、Sonia、cheerful 三個欄位自動填滿，這部分與 README 的描述一致。問題只在於，除非你動手改，否則這十個語言就是你以為的全部。

讓繁中出現的三個步驟，和一個空白欄位

要看到台灣的聲音，不需要改任何程式。切到 Edit Languages 分頁，在 Language Code 填 zh-TW，Display Name 填一個你認得的名字，按 Save / Update，回到 TTS 分頁拉開語言選單，繁中就在裡面了。顯示名隨你填，叫 Chinese (Taiwan) 或寫繁中都行，它只決定選單上的字。我實際走過這三步，選單立刻多出我剛填的名稱，之後語言、聲音、風格三個欄位會串接更新，不需要重啟程式。

選了繁中之後，聲音欄位有三個選擇：曉臻（女聲）、雲哲（男聲）、曉雨（女聲），對應 Azure 的 HsiaoChen、YunJhe、HsiaoYu 三支類神經語音。到這裡為止一切正常，但拉開風格 (Speaking Style) 選單會看到一個奇怪的畫面：清單裡只有一個空白選項，而且已經被選上了。

Pin

原因藏在聲音資料檔裡。Azure 的聲音清單 API 對不支援風格的聲音，會回傳一個裝著空字串的清單而不是空清單，這個專案的更新腳本只處理了完全空清單的情況，於是 530 支聲音裡有 488 支的風格欄位都變成那個空字串。程式接著把這個空字串包進 SSML 的風格標籤一起送出去，微軟端收到後會怎麼處理，這一段我沒有金鑰可以驗證，只能把現象留在這裡。真正帶多種風格的聲音只有 34 支，全部集中在簡體中文和幾個大語種，最豐富的曉曉有 20 種，雲希 12 種，雲健 10 種。換句話說，對台灣繁中的三支聲音來說，風格欄位實際上是裝飾。

語速和音調倒是可用，只是調整刻度固定：各是一個五段下拉選單，從正負 20% 之間每 10% 一格，不是連續滑桿。聲音欄位顯示的是各地語言的本地名稱，英文聲音叫 Sonia、Ryan，繁中直接叫曉臻、雲哲，選的時候不需要記 API 代號。輸入來源有兩種：文字框直接貼，或上傳 .txt 檔；兩邊都有內容時檔案會蓋過文字框，而且只吃純文字檔，其他格式不收。

輸出資料夾照文件改，反而生不出聲音

README 說輸出資料夾可以用 .env 裡的 AUDIO_OUTPUT_DIR 變數調整，音檔庫分頁也確實照這個變數在列檔案。但合成核心 tts/azure/core.py 第 33 行把暫存檔路徑寫死成相對目錄 audio_outputs，兩個版本分支都一樣。實際測試的結果：乾淨環境下把輸出資料夾指到別的地方、照規則只建立新路徑之後，按下合成會直接跳出 FileNotFoundError，訊息裡指著不存在的 audio_outputs 目錄，而且這個錯誤發生在程式連微軟伺服器都還沒碰到的階段。

所以照文件改資料夾，工具會在你以為要開始合成時死在本機。解法有兩個：把輸出留在預設位置不要動，或者在專案目錄下手動建一個 audio_outputs 資料夾。錯誤呈現也值得先打預防針：我拿一組假金鑰直接呼叫合成函式，得到的是未經轉譯的原始錯誤字串（Speech synthesis failed: ResultReason.Canceled），沒有任何人話包裝。真的合成失敗時畫面大概就是那個樣子，先有心理準備，別當成裝壞了。這類文件與程式脫節還有第二處：README 教人從專案根目錄執行 python tts/azure/update_config.py 更新聲音清單，但腳本把新檔案寫到執行時的工作目錄，從根目錄跑會生出一個根目錄版的 config.json，程式讀的仍是原本那一份。這一段我從路徑邏輯判斷，腳本本身需要金鑰才能完整跑過，就沒有實測。想更新的話，進到 tts/azure 目錄再執行才會真的生效。

免費額度是真的，註冊門檻是一張卡

這個工具的免費故事分兩半。額度那一半是真的：微軟定價頁寫明 F0 免費層的類神經語音合成每月 50 萬字元免費，超額才按字元計費，額度每月重置。對個人專案來說，50 萬字大約是一本小說的體量，很難用完。順帶一提，更早的舊免費層每個月給 500 萬字元，現在定價頁標注只留給既有客戶，新帳號拿到的就是 50 萬字。

另一半在註冊。README 和把它介紹出來的文章都說免費方案「不需要信用卡」，但微軟官方的免費帳號頁面寫得明白：需要電話號碼，加上一張信用卡或金融卡（不能是預付卡），加上 Microsoft 或 GitHub 帳號；香港和巴西更嚴，只收信用卡。卡的用途是身分驗證，過程可能有 1 美元的臨時授權，驗證後會退，官方也聲明註冊當下不會扣款。所以正確的說法是：卡不會被扣錢，但不能沒有。已經有 Azure 帳號的人這條不是問題；手上只有預付卡或完全不願意留卡號的人，免費額度看得到、吃不到。

文字只送微軟，這是它和免費線上站最大的不同

自架的意義在資料流向。SpeakItAI 本體不經過任何中間伺服器：金鑰放在本機 .env 檔，合成請求用微軟官方 SDK 從你這台機器直接送到指定區域的微軟端點，文字內容的去向就是微軟一家。作為對照，之前介紹過的免費線上語音站像 audiotexthub，文字會先送到站方伺服器再轉手，生成的音檔還落在公開的雲端空間；voicecraft 免帳號就能產 MP3，但同樣是文字出門給別人的機器。不想讓稿件離開自己機器、又願意辦微軟帳號的人，這種自架路線是比較乾淨的選擇。想走 Edge 免費線路的人，也可以看 Text2Voice 的做法。

不過「本地」要讀到行為層：介面框架 Gradio 內建匿名使用統計，預設打開，這個專案沒有設參數關掉，README 也沒提。想安靜一點，在環境變數設 GRADIO_ANALYTICS_ENABLED=False 就好。它統計的是使用事件，不包含你的文字內容。

Pin

介面本身有三個分頁。TTS 是主戰場；Edit Languages 管標籤，也能把不要的語言刪掉讓選單變短；音檔庫分頁可以播放、刪除、重新整理生成過的音檔，這個分頁是 2025 年 6 月初才加的，倉庫裡大多數介紹截圖都還沒有它。另外倉庫還有一條 fastapi-auth-docker 分支，補上了帳號登入（bcrypt 密碼、SQLite 儲存、網頁註冊）和 Docker 部署，compose 檔把容器的埠對到 9002、資料庫和音檔資料夾掛成兩個 volume，還附一支一鍵更新重啟的腳本，適合丟到 NAS 給家人共用；主分支的介面本身沒有登入這回事，只綁在本機 127.0.0.1，不對外開埠就沒有別人能用的問題。分支的說明文件把啟動指令拼成 unicorn，正確指令是 uvicorn，照抄會找不到命令。

五天寫完就凍結，裝之前先認清三件事

授權狀態有個文字陷阱：README 結尾寫著專案採 MIT 授權，但整個倉庫從第一個提交到最後一個，都不存在授權條款檔案，GitHub 也判定無授權。自己裝來用沒有人管，要改了再散布，嚴格說需要先向作者要一份授權，README 那一行不構成條款。

活躍度方面，11 個提交散布在 2025 年 5 月 26 日到 6 月 6 日之間，實際有提交的日子只有五天，功能性分支停在 6 月 14 日，到今天 15 個月沒有動靜，46 顆星、議題區只剩兩則去年十一月就關掉的舊議題，這是一人五天的作品，別期待有人修坑。依賴也全部沒有釘版本，我在 2026 年 9 月安裝，gradio 解到 6.27.0、微軟 SDK 解到 1.51.2，程式照樣能起、介面照樣能操作，這點實測可以放心；但未來某次大版本更新會不會壞，沒有人承諾。

還有兩個小地方：送合成的文字是原樣塞進 SSML，遇到半形 and 符號或小於符號這類字元會破壞格式，碰到就換成全形或跳過；介面沒有任何額度顯示，超過 50 萬字要自己到 Azure 後台看。

所以什麼人該裝它？你需要的是可以重複產出、可下載的 WAV 音檔，有一張非預付卡願意換微軟帳號，且能接受打開終端機照說明跑幾行指令，這個工具的成本效益很好：裝完到產出第一支繁中音檔，順的話十分鐘內。成功的畫面是音檔庫分頁裡躺著你自己聽得下去的曉臻或雲哲。反過來說，只是偶爾想讓一段字發聲、不想辦帳號，用線上免費站就夠；想的是在閱讀器裡聽書，那要的是 azure-tts-importer 那種把金鑰變成閱讀器設定的工具，不是這個。聲音要變成文字的相反需求，可以參考 Parakeet TDT。