你有沒有遇過這種情況？辛辛苦苦做好一支YouTube影片，結果發現背景音樂有了、畫面有了，就是配音不知道去哪裡生。找配音員太貴，用線上TTS服務又要月費，而且聽起來像機器人在唸稿。如果你有這種困擾，今天這篇文章就是為你準備的。

這禮拜HuggingFace上出現了一個超實用的開源模型——owensong/Inflect-Micro-v2，短短七天就衝上熱門榜，特別的是它主打CPU就能跑，連顯示卡都不用！而且支援中文語音合成，完全免費、離線可用。今天我會一步一步帶你安裝這個工具，讓你在五分鐘內搞定屬於你自己的AI配音員。

為什麼你該考慮本地TTS？

先說個實際案例。我朋友阿傑經營一個知識型YouTube頻道，每個月要出八支影片，每支大概十分鐘。以前他都是找外包配音，一支影片配音費大概港幣150到250元，一個月光配音就花掉將近兩千塊。後來他改用免費的線上TTS工具，雖然省了錢，但聽眾一直抱怨「聲音太機械」、「像Siri在講話」，訂閱數還因此掉了不少。

這就是為什麼本地TTS（文字轉語音）值得你花時間學習。本地TTS的三大優勢：第一，免費——開源模型不用付月費，一次搞定永久使用。第二，隱私——你的文稿不用上傳到雲端，適合處理未公開的企劃或敏感內容。第三，自然度——近年開源TTS模型的進步非常驚人，Inflect-Micro-v2這類新模型已經能模仿真人語調，甚至支援情緒變化。

安裝Inflect-Micro-v2的完整步驟

好，接下來我們進入正題。我會用最簡單的方式，帶你從零開始安裝這個工具。整個過程大概需要五分鐘，你只需要準備一台電腦（Windows、Mac、Linux都可以），不需要顯示卡。

第一步：安裝Python環境

如果你已經有Python 3.10以上版本，可以直接跳過這步。沒有的話，請到python.org下載最新版Python，安裝時記得勾選「Add Python to PATH」這個選項。這是很多初學者容易忽略的地方，沒勾選的話，之後執行指令會一直報錯。

第二步：建立專案資料夾

打開你的終端機（Windows是命令提示字元或PowerShell，Mac是Terminal），輸入以下指令：

mkdir inflect-tts
cd inflect-tts

第三步：安裝必要套件

接著我們要用pip安裝幾個必要的Python套件：

pip install torch torchaudio --index-url https://download.pytorch.org/whl/cpu
pip install transformers sentencepiece

如果你有NVIDIA顯示卡，可以移除--index-url參數，PyTorch會自動安裝GPU版本，速度會快很多。但如果沒有，也不用擔心，CPU版本已經足夠應付一般需求。

第四步：下載並載入模型

現在我們要寫一支簡單的Python腳本來載入模型。建立一個檔案叫做tts_test.py，內容如下：

from transformers import AutoTokenizer, AutoModelForTextToSpectrogram
import torch

model_name = "owensong/Inflect-Micro-v2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTextToSpectrogram.from_pretrained(model_name)

text = "你好，這是我的第一個本地AI配音測試。"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

print("模型載入成功！音訊資料已生成。")

執行python tts_test.py，第一次執行會自動下載模型檔（大約500MB），之後就可以離線使用了。

第五步：生成實際音訊檔案

上面的腳本只是測試模型能不能正常運作，要真正生成音訊檔案，我們需要再加上音訊解碼的步驟。Inflect-Micro-v2的完整生成流程包含文字轉頻譜、頻譜轉波形兩個階段，你可以參考官方模型卡上的範例程式碼，把頻譜輸出轉換成WAV檔案。

如何讓AI配音更自然？三個關鍵技巧

安裝完成只是第一步，要讓AI配音聽起來不像機器人，你需要掌握幾個小技巧。

技巧一：善用標點符號控制停頓

很多人不知道，TTS模型對標點符號非常敏感。逗號會產生短暫停頓，句號會產生較長停頓，問號和驚嘆號則會改變語調。所以你的文稿不要寫成一整段，要善用標點符號來控制節奏。例如「今天天氣很好，我們去爬山吧」和「今天天氣很好！我們去爬山吧！」，聽起來的感覺完全不同。

技巧二：分段生成再合併

一次輸入太長的文字，模型容易產生「讀稿感」，語調會變平。建議把文稿切成每段50到100字的小段落，分別生成音訊後再用Audacity或剪映合併。這樣每個段落的語調都會比較有起伏。

技巧三：加入語速與音調調整

如果你覺得生成的聲音太慢或太快，可以用音訊處理軟體微調。開源工具ffmpeg可以輕鬆調整音訊的速度和音調，指令如下：

ffmpeg -i input.wav -filter:a "atempo=1.1,asetrate=44100*1.05" output.wav

這個指令會讓音訊速度加快10%，同時音調稍微提高5%，聽起來會更有精神。

實際應用場景：從YouTube到Podcast

你可能會問，學會這個工具到底能拿來做什麼？讓我分享幾個實際應用場景。

場景一：YouTube影片配音

這是最大的應用場景。無論你是知識型頻道、開箱評測還是說書頻道，都可以用本地TTS生成配音。而且因為是離線生成，你不用擔心文稿外洩——有些創作者會提前錄製未公開的企劃內容，用雲端服務風險較高。

場景二：Podcast節目

很多人以為Podcast一定要用真人聲音，其實現在很多成功的Podcast節目已經開始混用AI配音。例如用AI生成節目的開場白、過場音效旁白，或是朗讀聽眾留言，這樣可以減少剪輯時間，讓你有更多精力專注在核心內容上。

場景三：語言學習教材

如果你在教中文或英文，可以用TTS快速生成大量的練習音檔。例如生成不同語速、不同語調的對話，幫助學生練習聽力。因為是本地生成，你可以無限次調整參數，直到滿意為止。

常見問題

Q: 我的電腦沒有顯示卡，跑得動嗎？ A: 完全可以。Inflect-Micro-v2的設計目標之一就是能在CPU上運行。生成一段10秒的音訊大概需要5到10秒，速度完全可以接受。如果你的文稿很長，建議分段生成，避免一次處理太多文字。

Q: 生成的聲音聽起來像什麼？ A: Inflect-Micro-v2支援多種語言，包括中文、英文、日文等。中文語音聽起來接近自然的人聲，雖然不像真人那麼有感情，但已經遠比傳統的機械音自然許多。如果你想要更多聲音選擇，可以到HuggingFace上搜尋其他開源TTS模型，例如ChatTTS或CosyVoice。

Q: 這個工具有商用限制嗎？ A: 根據模型卡上的授權資訊，Inflect-Micro-v2採用開源授權，可以用於商業用途。不過建議你在使用前還是確認一下最新的授權條款，因為有些模型會限制特定用途。

Q: 生成的音訊品質適合放上YouTube嗎？ A: 適合。目前開源TTS的品質已經達到可商用等級，很多YouTuber都在使用。建議你生成後用Audacity做後製，加上一點壓縮和等化器，聲音會更專業。

Q: 除了Inflect-Micro-v2還有其他推薦的TTS模型嗎？ A: 有幾個值得關注的選擇。ChatTTS以自然對話著稱，很適合生成聊天式的內容；CosyVoice支援聲音克隆，可以用你的聲音做範本；XTTS則以多語言支援聞名。你可以都試試看，選擇最適合你用途的模型。

延伸閱讀

結語

今天的教學就到這裡。我們從為什麼需要本地TTS開始，一步一步安裝了Inflect-Micro-v2，還學了三個讓AI配音更自然的小技巧。重點是，這個工具完全免費、離線可用，而且五分鐘就能搞定安裝。下次你需要配音時，不用再煩惱要花錢找外包還是忍受機械音了。

如果你在安裝過程中遇到任何問題，歡迎在留言區告訴我。也別忘了把這篇文章分享給同樣在做影片或Podcast的朋友——省下來的配音費，拿去吃頓好的不香嗎？