指南

Linux 文字转语音：在终端里离线生成自然语音

在 Linux 上，文字转语音通常意味着 espeak 或 Festival：快速、免费，但声音像机器人。神经网络声音听起来像真人，但几乎都在云端。免费的 SuperClonica 引擎把神经网络模型 Supertonic 3 带到你的 Linux 电脑上：它在普通处理器上离线运行，能说 31 种语言。请注意：Supertonic 3 暂不支持中文。

本指南介绍如何在虚拟环境中安装、在终端生成语音、用键盘快捷键朗读选中的文字，以及如何选择声音。

浏览声音 安装 SuperClonica 引擎

需要什么

与 espeak 或 Festival 不同，这是神经网络模型，语音听起来很自然，而且首次运行后就不再需要网络。

  • 装有 Python 3.10 或更高版本的较新 64 位 Linux 发行版。
  • Supertonic 3 模型约需 400 MB 磁盘空间，只下载一次。
  • 不需要显卡：NVIDIA 显卡只是让它更快。
  • 声音：内置的十个声音 M1 到 M5、F1 到 F5，或目录中的 JSON 文件。

在虚拟环境中安装

很多发行版已不允许 pip 安装到系统 Python 中，所以请使用虚拟环境：python3 -m venv ~/.venvs/tts && ~/.venvs/tts/bin/python -m pip install superclonica-cpu。之后命令是 ~/.venvs/tts/bin/superclonica；把这个文件夹加入 PATH 或设置别名。有 NVIDIA 显卡时，改装 superclonica-gpu-cuda：pip 会自动安装 CUDA 和 cuDNN。

在终端生成语音

模型在首次运行时下载；之后引擎无需网络即可工作。

  • 一句话：superclonica --text "Hello from Linux." --voice F1 --lang en --output hello.wav && aplay hello.wav。
  • 整个文件：用 --text-file article.txt 代替 --text；长文本会在自然停顿处分段，再合成一个 WAV。
  • 根据你的声音系统，用 aplay、paplay 或 pw-play 播放。
  • 机器繁忙时，用 --threads 4 限制处理器线程数。

用快捷键朗读选中文字

保存一个小脚本，并在桌面设置中给它绑定快捷键：xclip -o > /tmp/sel.txt （Wayland 下用 wl-paste -p > /tmp/sel.txt），然后 superclonica --text-file /tmp/sel.txt --voice F1 --lang en --output /tmp/sel.wav && aplay /tmp/sel.wav。在任意窗口选中文字，按下快捷键，引擎就会朗读出来。要朗读其他语言，修改 --lang 和声音即可。

声音和服务器

SuperClonica 目录中的每个声音都有一个页面，可以免费在线生成 30 到 100 个字符的句子。免费声音无需注册即可下载，付费声音一次购买后就以 JSON 文件的形式归你所有，用 --voice 传入。如需给网络中的其他程序使用，Docker Hub 上的 superclonica/superclonica 镜像会把同一引擎作为 HTTP 服务器运行。