Physical Address
304 North Cardinal St.
Dorchester Center, MA 02124
Text2Voice 免費線上文字轉語音工具：Edge TTS 網頁入口與六大 TTS 方案對比
Text2Voice 把微軟 Edge TTS 的 Neural 語音做成免登入網頁入口，貼字即可下載 MP3。實測 30 字中文 1.74 秒生成，但單次 1000 字、每小時 10 次的隱藏限額、文字經過後端外送、以及依賴未公開端點的授權灰區，劃出它真正適用的邊界。本文以實際請求測試與前端程式碼爬梳，對比 Azure、ElevenLabs、Google、edge-tts CLI 與 fish-speech/Piper。
用 AI 摘要這篇文章：
短影音旁白、外語朗讀、提案樣音，這類需求每次只怕一句話變成 MP3 的距離太遠。Azure TTS 要先開帳號綁信用卡、ElevenLabs 把高擬真聲鎖在月費方案裡，至於本地的 fish-speech 或 Piper 又得先裝環境、調模型，門檻落在剪輯流程之外。Text2Voice（text2voice.cc）做的就是把這條路壓到最短：打開網頁、貼字、下載 MP3，連帳號都不用註冊。但它背後依賴的是什麼、能用到什麼程度、以及哪些需求其實不該丟給它，是這篇要拆清楚的事。本文所有觀察來自 2026 年 7 月的實際請求測試與該站前端程式碼爬梳，不是搜尋來的二手介紹。
目錄
Edge TTS 介面入口而非語音引擎：Text2Voice 在 TTS 生態裡的真正位置
Text2Voice 在「關於我們」頁面把自己的來源寫得很明白：基於 Microsoft Edge TTS（Neural 語音合成）。它把微軟 Edge 瀏覽器朗讀功能背後那一組 Neural 語音（曉曉、雲希、Jenny、Sonia 等）做成網頁入口，使用者不用自己申請 Azure 金鑰、不必裝 Python 套件，也能拿到同一批聲音的 MP3。這個定位決定了它的價值邊界：它解決的是「把既有的語音引擎接到你面前」這一步，而不是自己訓練或改進語音模型。同樣一批 Neural 聲音，你換到 Azure 官方入口、edge-tts 命令列、或任何一個同樣基於 Edge TTS 的網頁工具，聽感不會有魔術性的差別，差別只在前置門檻與輸出格式。
把它放在更大的 TTS 生態裡看會更清楚。商業雲端語音（Azure Cognitive Services、Google Cloud Text-to-Speech、Amazon Polly）賣的是官方保證的穩定度、商用授權與企業級 SLA，計費照字元或秒數走；ElevenLabs、Play.ht 這類生成式語音平台賣的是擬真度、聲音複製與多語種情緒控制，走訂閱制；開源本地方案（fish-speech、Piper、Coqui TTS、VITS）賣的是資料落地、免費、可離線，代價是自己備硬體與模型；edge-tts（rany2/edge-tts Python 套件）賣的是「免費拿到微軟 Neural 語音」這個灰色便利，代價是依賴未公開保證的端點。Text2Voice 屬於最後這一條的網頁包裝，它的價值與風險都繼承自此。
六大 TTS 方案橫向對比：Text2Voice 卡在哪個位置
下面這張表把 Text2Voice 與五個常被一起討論的方案擺在同一個基準上比。重點不是排名，而是讓「選它代表放棄什麼、得到什麼」一目瞭然。所有方案都以 2026 年 7 月的公開定價與官方文件為準。
| 維度 | Text2Voice | Azure TTS（官方） | ElevenLabs | Google Cloud TTS | edge-tts CLI（rany2） | fish-speech／Piper |
|---|---|---|---|---|---|---|
| 計費 | 免費 | 免費額度後按字元計費 | 訂閱制（免費額度受限） | 免費額度後按字元計費 | 免費 | 免費（開源） |
| 登入門檻 | 免登入 | 需 Azure 帳號與金鑰 | 需帳號 | 需 GCP 帳號與金鑰 | 本機命令列，免登入 | 本機自架，免登入 |
| 文字流向 | 經 text2voice.cc 後端再送微軟 | 送 Azure 雲端 | 送 ElevenLabs 雲端 | 送 Google 雲端 | 本機直連微軟端點 | 完全本地處理 |
| 單次字數 | 1000 字 | API 無硬限 | 視方案而定 | API 無硬限 | 自行切分 | 視硬體與模型而定 |
| 頻率限制 | 每小時 10 次（前端程式碼內） | 依方案配額 | 依方案配額 | 依方案配額 | 無（受端點容忍度制約） | 無 |
| 語音品質 | Neural（曉曉等） | Neural 與客製神經聲音 | 高擬真生成式 | Neural 與 Journey 系列 | Neural（同 Text2Voice） | 開源模型，Piper 偏機械 |
| 授權清晰度 | 依賴未公開端點，灰區 | 清晰商用條款 | 清晰商用條款 | 清晰商用條款 | LGPLv3，非官方逆向 | 開源條款清晰 |
| 離線可用 | 否 | 否 | 否 | 否 | 否（需網路連微軟） | 是 |
從這張表可以看出 Text2Voice 的取捨：它用「依賴未公開端點的灰區」與「文字經過第三方後端」這兩個代價，換來免登入、免安裝、免設定金鑰的高便利。對一次性短文案這個交換很值得；對長期、高頻、敏感內容的生產流程，這兩個代價就會浮上來。需要長篇文字與批次生成的人，往右邊的開源本地方案移動通常更踏實；需要商用保證與授權憑證的人，往左邊的官方雲端語音移動才拿得到發票與條款。更多音訊處理的串接，例如把生成的 MP3 丟進 AudioMass 線上音訊編輯器 做後製剪接，或用 Cleanvoice AI 清掉口水聲與口吃，才能把 Text2Voice 的輸出推到可發布的成品。
免登入不等於不外送：拆解 text2voice.cc 的請求鏈路
Text2Voice 在「關於」頁面寫了一句容易讓人誤會的話：前端使用 HTML5、CSS3 與原生 JavaScript 開發，無需後端伺服器。直覺讀起來像「純前端、文字不出瀏覽器」。實際打開它載入的 js/app.js，會看到這個關鍵常數與這段呼叫：TTS_API_URL 設為 /api/tts，前端按「開始轉換」時呼叫 fetch(TTS_API_URL) 把文字、語音角色、語速、音調 POST 出去，再從同一個端點收回合成好的音訊 blob。也就是說，瀏覽器並不是直接連到微軟的語音服務，而是先打到 text2voice.cc 自己的 /api/tts 後端，再由那個後端代為向微軟端點發起 WebSocket 連線。
這個發現改寫了「免登入」這個賣點的實際意義。免登入代表你不用在站上開帳號、不會被站方用帳號追蹤，但它不代表你貼進去的文字只停在自己的機器裡。文字會經過 text2voice.cc 的後端，再送到微軟的語音服務，總共過兩家你無法審計的伺服器。該站的隱私政策其實也承認這一點：輸入的內容以 SSML 格式透過加密的 WebSocket 連線傳到微軟語音服務，微軟會依其隱私聲明處理。站方另外宣稱文字僅用於即時合成、不會被本工具儲存或記錄，但這個承諾的信任基礎是站方本身，而站方的營運主體在頁面上只留了一個 kefu305@gmail 的聯絡信箱，沒有公司名稱、沒有統一編號、沒有所在地。
把這條鏈路記在心裡，再決定要貼什麼進去。短影音腳本、行銷文案、教學提示句這類內容即使外流也無傷大雅，丟進去換 MP3 完全合理。但客戶合約條文、內部財報數字、當事人個資、尚未發布的聲明稿，這類內容就不該經過任何你無法審計的第三方後端，不管那個工具多方便。這不是 Text2Voice 獨有的問題，所有「免登入網頁 TTS」都繼承同一個結構：便利的代價是文字落地點變多。對隱私敏感的內容，改用 本機優先的語音處理思路（這篇講的是反向的語音轉文字，但「資料落地」的判斷邏輯通用）會更穩當。
1000 字天花板之外，還藏著每小時 10 次的限額
Text2Voice 的常見問答明確寫著單次轉換支援最多 1000 字，這一條在 js/app.js 裡對應到 MAX_TEXT_LENGTH 等於 1000 的硬限制，前端會在送出前檢查、超過就報錯。對 1 到 3 分鐘的短影音旁白、單段外語朗讀、通知播報樣音來說，1000 字大致夠用；但只要你做的內容超過這個量級，例如長篇有聲書章節、整門線上課程的字幕配音、上萬字的連載小說，就必須自己切分、自己逐段生成、自己拼接音訊檔。手動做幾次還行，當成常態流程會非常消耗時間，而且每次拼接都會在句與句之間留下不連續的呼吸感，需要再進音訊編輯器修。
另一個沒寫在常見問答、但同樣寫死在 js/app.js 裡的限制是 MAX_REQUESTS_PER_HOUR 等於 10。這個頻率限額會在每次按下「開始轉換」時檢查最近一小時的請求次數，超過就回「已達到每小時 10 次的轉換限制，請稍後再試」。對偶爾貼一段文案的人，這個限額幾乎無感；但對想在一個下午批次生成 30 段社群短片旁白的人，這個上限會在中途卡住，必須等時間窗格重置。Text2Voice 沒有在定價頁或方案頁揭露這個限額（它也沒有定價頁），使用者只能在實際觸發後才知道，這是它資訊透明度上的明確缺口。
把這兩個限制疊起來看，Text2Voice 的甜區非常明確：單次 1000 字以內、每小時 10 段以內的臨時短文案。一旦你的需求跨過這條線，比起來回切分等待，更合理的做法是直接換軌。需要批次又想免費的人，rany2/edge-tts 的命令列版本（同一批 Neural 聲音、沒有頻率牆、可寫腳本自動切分）會順很多；需要完全離線、資料不外送的人，Piper 或 fish-speech 才是匹配的選項。Text2Voice 不是為了這些場景設計的，硬要用它跑生產線只會撞牆。
Edge TTS 的免費是有條件的：逆向端點與授權灰區
「Edge TTS 免費」這句話需要精確化。微軟 Edge 瀏覽器的朗讀功能免費，是因為它綁在瀏覽器這個產品裡，讓使用者朗讀網頁內容是它的使用情境。這個免費並沒有公開延伸到「任何第三方把朗讀端點包裝成商用網頁服務」這個用途。rany2/edge-tts 這個 Python 套件（GitHub 上 1 萬 1 千多顆星、LGPLv3 授權、2026 年仍持續維護）做的是逆向工程，抓出 Edge 朗讀功能呼叫的 speech.platform.bing.com 端點，讓沒有 Edge 瀏覽器、沒有 Windows、沒有 API 金鑰的人也能呼叫同一批 Neural 語音。它的描述直白寫著：不需要 Microsoft Edge、不需要 Windows、不需要 API 金鑰。
這條技術路徑成立的條件，是微軟持續放任那個端點被非 Edge 客戶端呼叫。這個放任不是合約承諾，也不是公開 API 的服務等級保證，而是「目前沒有擋」的事實狀態。微軟任何一次端點規則調整、身分驗證收緊、或對第三方商業包裝的政策轉向，都可能讓依賴這條路徑的工具在一夜之失效。Text2Voice 在「關於」頁面也承認這個風險，並準備了備案：當 Edge TTS 不可用時自動切換到瀏覽器內建的 Web Speech API 作為備援。但 Web Speech API 的音質與聲音種類取決於使用者的作業系統與瀏覽器，效果通常比 Neural 語音機械許多，這個備案只能讓工具不會完全壞掉，無法維持原本的聽感水準。
對個人偶發使用，這個灰區幾乎可以忽略，反正免費又隨手可用，壞了就換工具。但若要把 Text2Voice 生成的語音放進商用成品（線上課程、廣告投放、客戶交付影片、付費 podcast），就不能再把「免費」當作授權清晰的保證。商用情境需要的是發票、授權條款、與服務等級協議，這三件事 Text2Voice 都給不出來，因為它本身沒有定價頁、沒有服務條款頁（站上只有「關於」與「隱私政策」兩頁，沒有 Terms of Service）、也沒有可追溯的營運主體。在這個尺度上，官方雲端語音（Azure、Google、AWS）的付費方案反而是更便宜的保險：你付的錢買的是條款與追訴對象。
實測生成速度與 MP3 輸出
實際用 text2voice.cc 的 /api/tts 端點測試，直接看數字做判斷，跳過行銷話術。用 30 個中文字（你好，這是一段測試文字，用來驗證文字轉語音工具的生成效果）配上 zh-CN-XiaoxiaoNeural（曉曉）女聲、標準語速與音調，發出 POST 之後 1.74 秒收到回應，回傳的是 37 KB 的 MP3 音訊，Content-Type 標記為 audio/mpeg，檔頭是標準 MPEG-1 Layer 3，內含 LAME 編碼器標記。換成英文（Hello, this is a test of the text to speech tool.）配上 en-US-JennyNeural，53 字元、1.27 秒、24 KB MP3。兩次測試都在正常的家用網路下完成，沒有排隊、沒有驗證碼、沒有要求登入。
這組數字帶出兩個實務結論。從按下按鈕到拿到 MP3 的端到端時間夠短，能直接嵌進剪輯工作流程，無需預先生成大批備用音檔；輸出格式又是直接可用的 MP3（該站「關於」頁標規格為 24kHz、48kbps），相容於剪映、Premiere Pro、DaVinci Resolve 這類主流剪輯軟體，不需要二次轉檔。這也是為什麼短影音創作者會把這類工具放進書籤：流程阻力真的夠低。同樣的聲音若改走 Azure 官方入口，要先建立資源、拿到金鑰、寫程式呼叫或用 SDK 包裝，整段-setup 對只缺一句旁白的人是過度的。當然若你錄的是真人旁白或樂器演奏，Recordly 這類螢幕錄影工具錄下原音仍是無法被 TTS 取代的路徑。
讀者最常問的三個問題
免費的線上 TTS 那麼多，哪一個能即時下載 MP3？ Text2Voice、TTSMP3、NaturalReader 線上版這類網頁工具都能在生成後直接下載 MP3，差別在聲音品質、字數限制與背後引擎。Text2Voice 的優勢是直接用 Edge TTS 的 Neural 聲音（聽感比許多基礎免費方案的機械聲自然）、且免登入。劣勢是單次 1000 字與每小時 10 次的硬限制。要批次下載或字數更大，會被推回 edge-tts CLI 或付費方案那一邊。
貼進去的文字會被儲存嗎？ 根據 Text2Voice 自己的隱私政策，文字僅用於即時合成、不會被本工具儲存或記錄，合成結果只存在瀏覽器記憶體、關閉頁面即清除。但要注意文字會經過 text2voice.cc 的後端再送到微軟，這兩段傳輸你無法自己審計，等於是信任站方與微軟的隱私承諾。站方沒有揭露營運主體（只有一個 kefu305@gmail 信箱），也沒有服務條款頁。處理敏感內容時，這個信任鏈不夠強，建議改用純本地方案。
Edge TTS 究竟是什麼，為什麼能免費？ Edge TTS 指的是微軟 Edge 瀏覽器朗讀功能背後那組 Neural 語音合成端點。它在 Edge 瀏覽器裡免費，是因為成本被瀏覽器產品吸收，使用情境是朗讀網頁。第三方工具（rany2/edge-tts 套件、Text2Voice 這類網頁）是透過逆向那個端點取得同一批聲音，免費的原因不是微軟授權，而是端點目前沒有擋非 Edge 客戶端。這個「目前沒有擋」隨時可能改變，所以依賴這條路徑的工具都有失效風險。
把 Text2Voice 放回它真正能勝任的位置
把前面幾條線索收攏，Text2Voice 適合的使用情境相當窄而清晰：你手邊有一段 1000 字以內的中文、英文、日文或韓文文案，需要在兩秒內拿到一個聽感自然的 MP3，丟進剪輯軟體就能用，且這段文案不涉及敏感個資或商業機密。短影音創作者做 1 到 3 分鐘的解說旁白、外語學習者反覆聽整句發音、輕度辦公者把通知或簡報稿轉成樣音，這三類需求 Text2Voice 用起來確實順手，路徑短到會讓人想放書籤。
反向看，把 Text2Voice 推到它設計邊界之外，就會開始付出隱性成本。需要長篇文字、需要批次、需要商用授權憑證、需要資料完全不外送、需要穩定度保證，這五個需求任一成立，都應該離開 Text2Voice 換軌：長篇文字與批次走 edge-tts CLI 或 Azure 付費方案；商用授權走官方雲端語音；資料落地走 fish-speech 或 Piper；穩定度保證同樣走官方雲端。把 Text2Voice 當作這些正式方案前的「快速看一下效果」入口，是它匹配的位置。把它當作內容生產線的核心節點，會同時撞上字數牆、頻率牆、授權牆與隱私牆。
本文方法論與驗證範圍
本文的判斷基於截至 2026 年 7 月 7 日的 Text2Voice 實際行為觀察，來源包括：直接呼叫 text2voice.cc/api/tts 端點測試中英文生成（30 字中文 1.74 秒得到 37 KB MP3、53 字元英文 1.27 秒得到 24 KB MP3，皆為真實請求結果）；爬梳該站載入的 js/app.js 前端程式碼，從中讀出 TTS_API_URL、MAX_TEXT_LENGTH、MAX_REQUESTS_PER_HOUR 等常數與呼叫邏輯，並對照「關於」與「隱私政策」頁面的官方陳述（發現「無需後端伺服器」的陳述與 /api/tts 端點存在矛盾）；查看 rany2/edge-tts 套件的 GitHub 描述與授權（LGPLv3、1 萬 1 千餘星、明示為非官方逆向）；以及與 Azure、ElevenLabs、Google Cloud TTS、fish-speech、Piper 的公開定價與文件做橫向對比。本文未涵蓋的範圍包括：長期穩定性統計、微軟端點規則變更的歷史頻率、Text2Voice 營運主體的實際身分、以及你的具體剪輯流程整合測試，這些需要自行驗證。本篇不為 Text2Voice 的合規性背書，也不為其商業可用性開立保證。
