指南

OpenAI 文字转语音的离线替代方案

OpenAI 的语音端点让文字转语音只需一次 API 调用。根据 OpenAI 的文档，这些模型已被弃用，将于 2027 年 1 月 6 日停用，替代方案要通过另一个 API 实现。既然集成反正要重写，正好想一想：语音是否真的需要离开你的服务器。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。

免费的 SuperClonica 引擎把 Supertonic 3 作为你自己的 HTTP 服务运行在普通处理器上，可使用标准声音、目录声音或训练出的声音。本指南如实比较两者，并说明如何替换端点。

浏览声音 安装 SuperClonica 引擎

为什么现在切换

OpenAI 的声音质量好、上手快；切换的理由是可控性和成本，而不是质量。

  • 语音端点的模型（tts-1, tts-1-hd, gpt-4o-mini-tts）已被弃用，将于 2027 年 1 月 6 日停用。
  • 替代方案通过 Realtime API 运行，工作方式不同，代码无论如何都要改。
  • 每次请求都会把你的文本发送到云服务，并按用量计费。
  • 没有网络和 API 密钥，就没有语音。

免费对比音色

在任意声音页面粘贴一句应用中的典型文本，30 到 100 个字符，选择语言并点击生成按钮。几秒后就能听出它能否替代你现在的声音，无需注册。

替换端点

大多数应用只在一个地方调用语音，所以通常改几行代码即可。

  • 在任意处理器上启动服务器：docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。
  • 向 POST /synthesize 发送 text、voice 和 lang，返回 16 位单声道 WAV 文件。
  • 格式与 OpenAI 不兼容：用一个小适配器把 input 映射为 text，把声音名称映射为 M1–M5、F1–F5 或你自己的声音文件。
  • 设置 SUPERCLONICA_API_KEY，并把服务器放在 HTTPS 之后或私有网络中。

你自己的声音

不再局限于一组固定的内置声音：可以从 170 多个目录声音中挑选，每个都有免费试听，也可以使用 GitHub 上 superclonica/supertonic-voices 仓库中的免费声音。想要自己的声音，可以用征得同意的说话人的干净录音，在配有 NVIDIA 显卡的电脑上用 SuperClonica 工作室训练，或在交易所下单。声音文件随每次请求一起发送，服务器不保存任何声音。

什么时候 OpenAI 仍是更好的选择

Supertonic 3 支持 31 种语言，其中不包括中文；OpenAI 的语音支持中文和更多语言。引擎不接受关于语气的文字指令，表达由声音和标点决定。而托管 API 也不需要你自己的服务器。如果这些最重要，就继续用 OpenAI；如果隐私、成本和自己的声音更重要，就自己托管语音。