指南

在 Java 中离线实现文字转语音

Java 标准库从未加入语音合成，因此项目只能选择 FreeTTS 或 MaryTTS 等老引擎（与神经网络声音相比听起来很机械），或者按字收费、能看到每段文字的云端 SDK。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。

本指南介绍一种现代替代方案：把免费的 SuperClonica 引擎作为本地 HTTP 服务器运行，用 Java 11 及更新版本内置的 HttpClient 调用。在任何平台上都能获得自然的声音、留在你手里的 WAV 文件，且不按请求收费。

浏览声音 安装 SuperClonica 引擎

从 Java 发声的方式

引擎不在 JVM 内运行：你的 Java 代码像调用其他服务一样通过 HTTP 与它通信。

  • FreeTTS 和 MaryTTS：纯 Java、离线，但与神经网络声音相比显得机械。
  • 云端 SDK：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 HTTP 服务器，支持自然声音、角色声音和自定义声音，只要能运行 Docker 就能离线使用。
  • 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 Java 调用

借助 java.net.http、java.net.URI 和 java.nio.file，在 Java 11 或更新版本中几行代码就能发出请求：var voice = Files.readString(Path.of("voice.json")); var json = "{\"text\": \"Hello from Java!\", \"lang\": \"en\", \"seed\": 7, \"voice\": " + voice + "}"; var request = HttpRequest.newBuilder(URI.create("http://localhost:8000/synthesize")).header("Content-Type", "application/json").POST(HttpRequest.BodyPublishers.ofString(json)).build(); HttpClient.newHttpClient().send(request, HttpResponse.BodyHandlers.ofFile(Path.of("hello.wav"))); 响应会直接写入 WAV 文件。使用标准声音时，发送 "voice": "F1" 代替文件内容。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；大型项目中可以用 Jackson 等 JSON 库让请求更整洁。

上线前的好习惯

复用一个 HttpClient，并为请求设置超时。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。