你有沒有想過，為什麼每次要生成AI語音，都要付費給雲端服務？每個月幾百塊港幣的訂閱費，結果只是想要一個簡單的旁白配音？今天我要告訴你一個祕密：其實你電腦裡就藏著一台免費的AI語音工作室。

最近 HuggingFace 上出現了一個超夯的開源模型 owensong/Inflect-Micro-v2，短短一週就吸引了361個讚，而且它主打的就是「可以在 CPU 上跑」的本地語音合成。這意味著什麼？代表你不需要一張幾萬塊的顯示卡，只要一台普通的筆電，就能生成媲美雲端服務的AI語音。

這篇文章會教你如何從零開始，在自家電腦建立一套完整的本地AI語音合成系統。我會用最簡單的方式，帶你一步步安裝、設定、產出第一段AI語音。整個過程不用寫複雜的程式碼，只要會複製貼上命令就好。準備好了嗎？讓我們開始吧！

為什麼要自己架設？|雲端服務的隱藏成本

你可能會想：「我用雲端服務不就好了嗎？幹嘛這麼麻煩？」讓我來幫你算一筆帳。目前市面上主流的雲端語音服務，每個月基本方案大約是 20到30美元，折合港幣約 160到240元。如果你是重度使用者，每個月花上 100美元 也不意外。

但更重要的是「隱私問題」。你有沒有想過，當你把文稿丟上雲端生成語音時，那些文字內容其實已經離開你的電腦了？如果你是做商業簡報、內部訓練影片，甚至是還沒公開的產品發布內容，這些資訊其實都存在隱私外洩的風險。

本地部署最大的優勢就是「完全離線」。你的文字永遠不會離開你的電腦，生成的音檔也是100%屬於你。而且，沒有任何用量限制——想生成多少就生成多少，不用擔心超量被加收費用。

還有一點很多人忽略：雲端服務如果突然改版或停止服務，你的工作流程就會被打斷。但本地部署的開源模型，只要下載下來，就永遠是你的了。

第一步：安裝必要工具 |三分鐘搞定環境

好的，現在讓我們動手吧！首先，你需要確認你的電腦有沒有 Python 3.9 或以上版本。打開終端機（Windows 使用者請打開命令提示字元），輸入以下指令檢查：

python --version

如果沒有安裝，請到 python.org 下載最新版本。安裝時記得勾選「Add Python to PATH」這個選項。

接下來，我們要建立一個專門的資料夾，並安裝必要的套件。複製貼上以下指令：

mkdir ai-voice
cd ai-voice
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cpu
pip install transformers accelerate

這裡我特別指定了 CPU 版本的 PyTorch，這樣即使你沒有NVIDIA顯示卡，也能順暢運行。如果你是 Mac 使用者（M1/M2/M3晶片），可以改用以下指令：

pip install torch torchaudio

安裝過程可能需要幾分鐘，取決於你的網路速度。完成後，我們就可以下載模型了。

第二步：下載並載入模型 |關鍵步驟一次搞定

現在我們要下載 Inflect-Micro-v2 這個模型。這個模型特別的地方在於，它不只支援標準中文，連粵語都能生成——這對香港讀者來說簡直是福音！

建立一個新檔案，命名為 generate_voice.py，用記事本或任何文字編輯器打開，貼上以下程式碼：

from transformers import AutoTokenizer, AutoModelForTextToSpectrogram
import torch

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

# 設定文字
text = "大家好，這是一段由本地AI生成的語音。"
inputs = tokenizer(text, return_tensors="pt")

# 生成語音頻譜
with torch.no_grad():
    spectrogram = model.generate(**inputs)

print("語音頻譜生成完成！")

第一次執行時，模型會自動下載，大約需要 500MB 的空間。下載完成後，你就會看到「語音頻譜生成完成！」的訊息。

不過你可能會問：頻譜是什麼？簡單來說，它就是聲音的「圖像化」表示。我們還需要一個步驟，把頻譜轉換成實際可以播放的音檔。

第三步：轉換成音檔 |讓聲音「活」起來

接下來我們要安裝一個叫 vocoder 的元件，它的工作就是把頻譜變成真正的聲音。在終端機輸入：

pip install vocos

然後修改剛剛的 generate_voice.py，加入轉換音檔的程式碼：

from vocos import Vocos
import scipy.io.wavfile as wavfile

# 初始化 vocoder
vocos = Vocos.from_pretrained("charactr/vocos-mel-22khz")

# 將頻譜轉換為音訊
audio = vocos.decode(spectrogram)

# 儲存為 WAV 檔案
wavfile.write("output.wav", 22050, audio.numpy())

執行這個程式，你就會在資料夾裡看到 output.wav 這個檔案。用你的播放器打開，聽聽看——這就是你第一個本地生成的AI語音！

你可能會覺得聲音聽起來有點「機械感」，這是正常的。因為我們用的是基礎版本。你可以嘗試調整 text 變數的內容，加入不同的標點符號，AI會根據標點產生不同的語氣停頓。例如：

text = "大家好！今天要跟大家分享一個好消息——我們成功了！"

你會發現，加入驚嘆號和破折號後，AI生成的聲音會更有感情起伏。

實戰技巧：讓AI語音更自然 |三個小撇步

現在你已經能生成基本語音了，接下來我要分享三個專業級技巧，讓你的AI語音聽起來更像真人。

技巧一：加入停頓和語氣詞。 AI模型其實很在意標點符號。在句子之間加入逗號、句號，甚至使用「嗯…」「啊」這類語氣詞，都能讓語音更自然。例如：「嗯…這個問題，其實有很多層面可以討論。」

技巧二：控制語速和音調。 Inflect-Micro-v2 支援透過參數調整語速。在 generate 函數中加入 speed 參數：

spectrogram = model.generate(**inputs, speed=1.1)

speed 數值大於1代表加快，小於1代表放慢。你可以試試 0.9 到 1.2 之間的不同數值，找到最適合你內容的語速。

技巧三：分段生成再合併。 如果你要生成很長的內容（例如整集Podcast），建議分成多個段落生成，再用 Audacity 等免費軟體合併。這樣做有兩個好處：一是每段語音品質更穩定，二是你可以單獨重新生成不滿意的段落，不用整個重來。

進階應用：批次處理大量文字 |一次搞定十篇文章

如果你要處理的內容很多，例如要幫十篇文章都配上語音，手動一段段改程式碼太沒效率了。我們可以寫一個批次處理腳本，一次處理多個檔案。

建立一個 batch_generate.py，貼上以下程式碼：

import os
from transformers import AutoTokenizer, AutoModelForTextToSpectrogram
from vocos import Vocos
import scipy.io.wavfile as wavfile
import torch

model_name = "owensong/Inflect-Micro-v2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTextToSpectrogram.from_pretrained(model_name)
vocos = Vocos.from_pretrained("charactr/vocos-mel-22khz")

# 讀取所有 txt 檔案
input_folder = "texts"
output_folder = "audio"

os.makedirs(output_folder, exist_ok=True)

for filename in os.listdir(input_folder):
    if filename.endswith(".txt"):
        with open(os.path.join(input_folder, filename), "r", encoding="utf-8") as f:
            text = f.read()
        
        inputs = tokenizer(text, return_tensors="pt")
        with torch.no_grad():
            spectrogram = model.generate(**inputs)
        
        audio = vocos.decode(spectrogram)
        output_path = os.path.join(output_folder, filename.replace(".txt", ".wav"))
        wavfile.write(output_path, 22050, audio.numpy())
        print(f"已生成: {output_path}")

使用方式很簡單：在 ai-voice 資料夾裡建立 texts 資料夾，把你要轉換的文稿存成 .txt 檔放進去，然後執行：

python batch_generate.py

程式會自動讀取所有文字檔，並在 audio 資料夾生成對應的 .wav 音檔。這樣一來，你只需要準備好文稿，剩下的全部自動化。

延伸閱讀

常見問題

Q: 我的電腦跑得動嗎？需要什麼規格？ A: Inflect-Micro-v2 特別設計為可以在 CPU 上運行。一般來說，只要是近五年內購買的電腦（無論是 Windows、Mac 或 Linux），至少有 8GB RAM，就能順暢運行。生成一段30秒的語音，大約需要10到20秒的時間。

Q: 生成的語音可以商用嗎？ A: 這取決於模型的授權條款。Inflect-Micro-v2 使用 Apache 2.0 授權，允許商業使用。不過建議你在正式商用前，先查看模型的授權頁面確認細節，因為不同模型可能有不同規定。

Q: 支援哪些語言？粵語效果如何？ A: Inflect-Micro-v2 支援多種語言，包括標準中文、粵語、英文、日文等。粵語的生成效果相當不錯，雖然不是完美，但對於一般旁白或教學內容已經很夠用。你可以試著輸入「大家好，我係香港人。」來測試粵語效果。

Q: 為什麼我生成的語音聽起來有點怪？ A: 這通常有幾個原因：一是文字中包含特殊符號或英文縮寫，建議先清理文稿；二是沒有善用標點符號，AI需要標點來判斷語氣；三是模型首次載入時需要「暖機」，多生成幾次後品質會穩定下來。

Q: 有其他推薦的開源語音模型嗎？ A: 除了 Inflect-Micro-v2，你也可以試試 Meta 的 Voicebox、微軟的 VALL-E，或是阿里巴巴的 CosyVoice。每個模型各有特色，例如 CosyVoice 在中文表現上特別出色。你可以都試試看，選擇最適合你使用場景的模型。

好了，現在你已經學會如何在本地建立AI語音合成系統了！從安裝環境、下載模型、生成語音到批次處理，整個流程其實比你想像中簡單。最重要的是，這套系統完全免費、離線可用、沒有隱私疑慮，而且沒有任何用量限制。

我建議你今天就動手試試看。先從一段簡單的文字開始，聽聽AI生成的語音，然後慢慢調整參數，找到最適合你的設定。當你成功生成第一段語音的那一刻，你會發現——原來自己架設AI語音系統，真的只要五分鐘！

如果你在過程中遇到任何問題，歡迎留言告訴我。也別忘了把這篇文章分享給需要的朋友，讓更多人擺脫雲端服務的束縛，享受本地AI的自由。下次見！