Edge TTS：通往企业级神经语音的免费后门
Microsoft Edge 浏览器有一项名为“朗读”的无障碍功能，它在不引人注意的情况下使用了真正高质量的神经语音——其水准与 Microsoft 通过付费 Azure Speech 服务销售的语音相同。Edge TTS 是一款开源 Python 工具，可直接调用这项免费的浏览器服务，让你无需打开浏览器、安装 Windows，甚至完全无需注册 API 密钥，就能以脚本方式使用其中数百种神经语音。
Edge TTS 是什么？
Edge TTS 是由独立开发者 rany2 创建的 Python 模块和命令行工具，让你无需 Edge、Windows 或 API 密钥，即可从自己的代码或命令行使用 Microsoft Edge 的在线文本转语音服务。需要准确说明它究竟是什么：它不是 Microsoft 官方产品，也不是受支持的 API——它是一款社区工具，连接的是 Edge 浏览器内部为“朗读”无障碍功能所使用的同一个后端服务，从而免费从外部使用同一语音引擎。
Edge TTS 的功能优势
- 真正免费，无需 API 密钥或注册账号——这与 Microsoft 自家的付费 Azure Speech Services 有着切实区别；后者在按量计费、需要凭证的 API 背后使用了同一种底层语音技术。
- 数十种语言和地区 locale 中的数百种神经语音，包括阿拉伯语等语言的多个地区变体，而不是每种语言只提供一种通用声音。
- 可独立于 Edge 浏览器或 Windows 工作，能够作为独立 Python 工具运行在任何可连接互联网的平台上。
- 可直接通过命令行 flag 调整语速、音量和音高，无需完整标记语言即可实现基础韵律控制。
- 内置字幕生成，可在输出音频的同时生成 SRT 或 VTT 字幕文件——对视频旁白、在线学习内容或无障碍工作流确实很实用。
- 简单的 CLI 加异步 Python API，既支持快速执行一次性命令，也支持以脚本和批处理方式集成到更大的应用中。
关于其真实性质的重要说明
在基于它构建任何严肃项目之前，值得先清楚了解这一点。Edge TTS 的工作方式，是连接为 Microsoft Edge“朗读”功能提供支持的同一个在线端点——这是一项免费的浏览器无障碍功能，并不是有文档且有合同支持的公共 API。这个区别在实践中会带来两方面影响：第一，由于它并非官方工具，Microsoft 随时都可能在不作通知的情况下修改或限制该端点，这会让工具失效，直到社区完成适配；第二，项目已经明确移除了自定义 SSML 标记支持，因为 Microsoft 会阻止任何不是由其官方工具生成的 SSML，所以与真正有文档的语音 API 相比，你实际能进行的细粒度控制更有限。应把 Edge TTS 视为一款真正实用的免费工具，适合个人项目、原型和非关键内容——如果你考虑把它用于商业产品，请直接查阅 Microsoft 自己的条款，因为它并不像 Azure Speech Services 那样是获得许可的商业 API。
Edge TTS 入门
- 通过 pip 或 pipx 安装。
pip install edge-tts适合一般用途；如果你只需要命令行工具本身，而不需要用于脚本开发的 Python 库，那么有文档说明的pipx install edge-tts是更干净的替代方案，可以避免污染系统 Python 环境。 - 选定声音前先列出可用声音。
edge-tts --list-voices会打印完整的声音目录，包括性别、内容类别和个性标签——在确定具体声音名称前，这有助于找到合适的地区变体。 - 生成你的第一个音频文件。
edge-tts --voice en-US-AriaNeural --text "Hello, world!" --write-media hello.mp3 --write-subtitles hello.srt会通过一条命令同时生成音频文件和匹配的字幕文件。 - 使用对应 flag 调整语速、音量或音高。
--rate=-50%、--volume=-50%和--pitch=-50Hz是文档规定的语法——请注意，负值尤其需要使用=符号，否则命令行会错误解析该 flag。 - 如果想在非 Windows 系统上直接播放，请安装
mpv。edge-playback命令会立即播放生成的音频，而不是把它保存成文件，但在 Linux 和 macOS 上需要另行安装mpv命令行播放器（Windows 无需这一步）。 - 对于一次性 CLI 命令之外的任何工作，请使用异步 Python API。 将库直接导入 Python 代码，可以获得适合 Web 后端或批处理流水线的程序化控制，而无需反复通过 shell 调用 CLI。
获得更好结果的技巧
- 浏览
--list-voices的输出，寻找适合受众的地区变体。 许多语言都有多个方言选项；选择最接近的地区变体，会比默认采用按字母顺序排在最前面的声音明显更自然。 - 将很长的文本分段，而不是一次发送一整个超大请求。 虽然没有严格记录的硬性限制，但把长篇内容拆成较小片段，是获得稳定输出更可靠的方法。
- 不要依赖自定义 SSML 进行细粒度控制。 由于 Microsoft 会阻止并非由其自身工具生成的 SSML，应使用该库支持的语速、音量和音高 flag 来调整韵律，而不是尝试自己的标记。
- 为生产用途准备备用方案。 鉴于这是一项对免费浏览器功能的非官方集成，而不是有合同支持的 API，如果底层访问方式发生变化，就需要备用计划；不要让关键业务流水线完全依赖它。
- 专门为视频项目使用字幕输出。 用同一条命令在音频旁生成同步的 SRT/VTT 文件，可以省去独立的字幕制作步骤，而大多数其他免费 TTS 工具并未内置这项能力。
Edge TTS 与 Microsoft 官方语音服务及自托管替代方案的比较
| Edge TTS | Azure Speech Services（官方） | Piper（自托管） | |
|---|---|---|---|
| 成本 | 免费 | 付费，按使用量计费 | 免费，自托管 |
| 需要 API 密钥/账号 | 否 | 是 | 否 |
| 官方、受支持的 API | 否——非官方社区工具 | 是 | 不适用，开源项目 |
| 语音质量 | 高（同一种底层神经语音） | 高（同一种底层神经语音） | 扎实，更轻量 |
| 自定义 SSML 支持 | 不支持（被 Microsoft 阻止） | 支持 | 不是核心功能 |
| 可靠性保证 | 无——端点可能在不通知的情况下发生变化 | 有 SLA 支持 | 完全取决于你自己的基础设施 |
Edge TTS 的特定定位，是让个人项目、原型和一般内容无需注册就能免费使用真正高质量的神经语音——对于任何商业关键场景或需要保证正常运行时间的用途，Microsoft 自家的付费 Azure Speech Services（使用同一种语音技术并获得官方许可）才是更合适的选择。
常见问题
Edge TTS 是 Microsoft 官方产品吗？
不是。它是一款独立的开源工具，连接的是为 Microsoft Edge“朗读”浏览器功能提供支持的同一个后端服务——它并不是 Microsoft 官方记录或支持的 API。
使用 Edge TTS 需要安装 Microsoft Edge 或 Windows 吗？
不需要。它可以作为独立 Python 工具运行在任何可连接互联网的平台上，不依赖 Edge 浏览器或 Windows 操作系统。
Edge TTS 真的免费吗？
是的，不需要 API 密钥、账号或付款——这与 Microsoft 自家的付费 Azure Speech Services 有着切实区别；后者在按量计费的 API 背后使用了类似的底层语音技术。
可以将 Edge TTS 用于商业产品吗？
请谨慎行事。由于它是一款调用免费浏览器无障碍功能的非官方工具，而不是获得许可的商业 API，对于任何关键业务用途，请直接查阅 Microsoft 的条款，并考虑改用 Azure Speech Services。
这与在 Windows 设置中下载 TTS 声音有什么不同？
它们是彼此独立的系统。Windows 内置的“讲述人”声音（可通过“设置”下载）是操作系统本身的一部分，而 Edge TTS 专门访问 Edge 浏览器基于云的神经语音；这些声音需要互联网连接，但通常听起来更加自然。
使用 Echora 在线生成语音
如果你希望完成相近的“文字 → 单人语音”流程，可以使用 Echora 的文字转语音。最多输入 5,000 个字符，即可生成单人语音、试听结果并下载完成的 MP3。