指南

在 C# 和 .NET 中离线实现文字转语音

在 C# 中发声的经典方式是 System.Speech：几行代码、Windows 的声音、无需联网。它至今仍能用，但只支持 Windows，声音听起来过时，而且每台机器都不一样。云服务音质更好，却要把每段文字发出去，并按字收费。请注意：Supertonic 3 暂不支持中文，可朗读英语、日语、韩语等 31 种语言。

本指南介绍第三条路：把免费的 SuperClonica 引擎作为本地 HTTP 服务器运行，Windows、Linux 或 macOS 上的任何 .NET 应用都能调用，声音自然，WAV 文件留在你手里。

浏览声音 安装 SuperClonica 引擎

从 .NET 发声的三种方式

在 Windows 上快速做原型，用 System.Speech 就够了；要在各处听起来一致的产品声音，请用引擎。

  • System.Speech：Windows 内置、离线、声音机械，仅限 Windows。
  • 云端语音 API：声音自然，但需要账号、密钥、按字计费，文字还会存到对方服务器上。
  • SuperClonica：本地服务器，支持自然声音、角色声音和自定义声音，离线运行，任何能运行 Docker 的系统都可用。
  • 它支持 31 种语言，暂不支持中文。

免费试听声音

写代码之前，先打开任意声音页面，输入 30 到 100 个字符的句子，选择语言并点击生成按钮。几秒后就能听到你的应用可以拥有的声音，无需注册。

启动语音服务器

有 NVIDIA 显卡时用 cuda 镜像会更快，但不是必需的。

  • 在任何 CPU 上启动服务器：docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。
  • 首次启动会把约 385 MB 的 Supertonic 3 模型下载到卷中；GET /health 可以告诉你何时就绪。
  • POST /synthesize 接收包含 text、voice、lang、seed 和 normalize 的 JSON，返回 16 位单声道 WAV。
  • voice 可以是 M1–M5、F1–F5 等标准名称，也可以是声音文件的 JSON 内容。

从 C# 调用

借助 System.Net.Http、System.Text 和 System.Text.Json.Nodes，在 .NET 6 或更新版本中几行代码就能发出请求：using var http = new HttpClient(); var voice = JsonNode.Parse(File.ReadAllText("voice.json")); var body = new JsonObject { ["text"] = "Hello from C#!", ["voice"] = voice, ["lang"] = "en", ["seed"] = 7 }; var res = await http.PostAsync("http://localhost:8000/synthesize", new StringContent(body.ToJsonString(), Encoding.UTF8, "application/json")); File.WriteAllBytes("hello.wav", await res.Content.ReadAsByteArrayAsync()); 使用标准声音时，把 ["voice"] 设为 "F1"，无需加载文件。同样的文字、声音和 seed 总是得到同样的音频，所以请缓存重复短语的文件，并用应用中已有的音频库播放。

上线前的好习惯

在应用的整个生命周期中只使用一个 HttpClient。不要把 8000 端口原样暴露到互联网：设置 SUPERCLONICA_API_KEY 并以 Bearer 令牌发送，或把服务器放在私有网络中。如果同时到达的请求很多，用 SUPERCLONICA_LANES 运行更多模型副本，并在你的硬件上实测：在我们的测试中，短句在 RTX 5070 Ti 上耗时 0.12 秒，在四个 CPU 线程上耗时 0.43 秒。