指南

Ruby 文字转语音：脚本与 Rails 应用

Ruby 没有自带的语音合成。脚本常常调用 Mac 上的 say 或 Linux 上的 espeak，声音很机械；Rails 应用则通常把每段文字发给按字数收费的云端 API。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 引擎作为 HTTP 服务器运行在你的应用旁边，提供自然的声音，调用它只需要 Ruby 标准库。本指南介绍一个简单脚本、使用 Active Job 和 Active Storage 的 Rails 配置，以及在生产环境中安全使用的习惯。

浏览声音 安装 SuperClonica 引擎

Ruby 怎样说话

每个文本版本只生成一次音频并以文件提供，不要在每次请求时都合成。

  • 系统声音：用 system() 调用 say 或 espeak；无需配置，但声音机械，而且每台机器都不同。
  • 云端 API：声音自然，但需要密钥、按字数付费，文字还会发到别人的服务器上。
  • SuperClonica：本地服务器，提供自然声音、角色声音和自定义声音；Ruby 发送 JSON，收到 WAV。
  • 支持 31 种语言，暂不支持中文。

免费试听声音

写代码之前，先在任意声音页面输入一句 30 到 100 个字符的话，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

使用 NVIDIA 显卡和 cuda 镜像会更快，但普通处理器就足够了。

  • 在同一台机器或私有机器上启动服务器：docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。
  • 首次启动会下载约 385 MB 的 Supertonic 3 模型；GET /health 会告诉你何时就绪。
  • POST /synthesize 接收包含 text、voice、lang、seed 和 normalize 的 JSON，返回 16 位单声道 WAV。
  • 默认每个请求最多 5,000 个字符（SUPERCLONICA_MAX_TEXT）；长文本请按段落拆分。

从 Ruby 调用

不需要任何 gem：require "net/http"; require "json"; uri = URI("http://localhost:8000/synthesize"); res = Net::HTTP.post(uri, { text: "Hello from Ruby!", voice: "F1", lang: "en" }.to_json, "Content-Type" => "application/json"); File.binwrite("hello.wav", res.body) if res.is_a?(Net::HTTPSuccess)。使用目录中的声音时，请发送解析后的文件而不是标准名称：voice: JSON.parse(File.read("voice.json"))。如果应用已经在用 Faraday 或 HTTParty，用法相同。

Rails：后台任务与 Active Storage

在 Rails 中，请在 Active Job 而不是 Web 请求中生成语音，并把结果附加到记录上：post.audio.attach(io: StringIO.new(res.body), filename: "post-#{post.id}.wav", content_type: "audio/wav")。只在文本变化时重新生成。不要把 8000 端口暴露到互联网：在服务器上设置 SUPERCLONICA_API_KEY 并通过 Authorization: Bearer 请求头发送，或把服务器放在私有网络中。请告诉听众音频是生成的。