五分鐘學會！|本地AI語音合成

你有沒有試過用AI生成語音？無論是幫YouTube影片配音、製作Podcast，還是想讓長輩聽懂手機訊息，AI語音合成（Text-to-Speech, TTS）都超實用。但市面上的雲端服務，例如OpenAI的TTS、Google Cloud Text-to-Speech，雖然音質好，卻有幾個痛點：要付費、要網路、要擔心私隱。你的文字內容會傳去別人的伺服器，如果涉及公司機密或個人私隱，實在令人不安。

今天這篇文章，我會教你完全免費、在自己電腦本地運行AI語音合成模型。不需要高階顯示卡，一般文書機都跑得動。五分鐘設定完成，之後就可以離線使用，文字變語音，支援中文（包括廣東話！）和英文。重點是，你的資料完全不會離開電腦，私隱100%安全。我們會用到開源社群最火紅的ChatTTS和GPT-SoVITS這兩個模型，它們在Hugging Face上都有極高下載量，代表經過大量用戶實測，穩定可靠。

為什麼要自己跑AI語音？三個你該知道的原因

你可能會問：「我用雲端服務不就好了嗎？幹嘛這麼麻煩？」讓我用三個實際場景解釋，你就明白本地部署的價值。

第一，成本可以降到零。 雲端TTS服務，例如Azure或Google，每個月有免費額度，但用完了就要按字數收費。如果你只是偶爾用，可能沒感覺；但如果你是一個YouTuber，每週要產出兩條影片，每條影片配音大概5000字，一個月就是40000字。以Azure的定價，標準神經語音每百萬字約16美元（約125港元），一個月就要5美元（約40港元）。一年下來，夠你吃好幾頓火鍋了。本地方案，電費加硬體折舊，成本幾乎可以忽略。

第二，私隱是無價的。 想像一下，你是一家中小企老闆，想用AI語音幫你回覆客戶查詢。你把客戶的對話內容貼到雲端TTS，等於把客戶資料交給第三方。在香港，這可能違反《個人資料（私隱）條例》；在台灣，則觸及《個人資料保護法》。輕則罰款，重則商譽受損。本地運行，音訊檔和文字檔都鎖在你的硬碟裡，合規問題一掃而空。

第三，離線就是自由。 你有沒有試過在飛機上、地鐵隧道裡，網路訊號差到連Google都開不了？雲端TTS直接罷工。但本地模型，只要你的電腦有電，隨時都能用。對於需要在外工作、或網路不穩定的創作者來說，這是無可取代的優勢。

安裝前準備：你的電腦夠力嗎？

先別緊張，ChatTTS的硬體要求比你想像中低很多。官方建議是4GB以上VRAM（顯示卡記憶體），但如果你沒有獨立顯示卡，單靠CPU（中央處理器）也能跑，只是速度慢一點。我用一部2020年的MacBook Air（M1晶片、8GB RAM）實測，生成10秒的音訊，CPU模式大概要30秒，可以接受。

如果你有NVIDIA顯示卡，例如GTX 1060 6GB或以上，恭喜你，體驗會非常流暢。AMD顯示卡和Apple Silicon（M1/M2/M3）用戶也不用擔心，ChatTTS有針對這些平台的優化版本。

軟體方面，你只需要兩樣免費工具：Python（程式語言）和Git（版本控制軟體）。如果你從沒裝過，跟著以下步驟：

1. 安裝Python：前往python.org下載最新版（3.10或以上）。安裝時記得勾選「Add Python to PATH」。
2. 安裝Git：前往git-scm.com下載，安裝時全部用預設值，一直按「Next」就行。
3. 開啟終端機：Windows用戶按Win+R，輸入cmd；Mac用戶按Cmd+Space，輸入Terminal。

準備好了嗎？我們開始吧。

第一步：下載ChatTTS並安裝依賴套件

打開終端機，輸入以下指令，把ChatTTS的程式碼複製到你的電腦：

git clone https://github.com/2noise/ChatTTS.git
cd ChatTTS

接著，安裝ChatTTS需要的Python套件。這步驟會自動下載所有需要的函式庫，大概需要2-5分鐘，取決於你的網路速度：

pip install -r requirements.txt

如果你用的是NVIDIA顯示卡，建議另外安裝CUDA加速版本，速度會快好幾倍：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

裝完之後，我們來測試一下。在終端機輸入python進入Python互動介面，然後貼上這段程式碼：

import ChatTTS
chat = ChatTTS.Chat()
chat.load(compile=False)
texts = ["你好，歡迎來到MobDome AI，這是一個本地語音合成的測試。"]
params = ChatTTS.Chat.InferCodeParams(use_decoder=True)
output = chat.infer(texts, params)

如果一切順利，你會在當前資料夾看到一個output.wav檔案。用播放器打開，你就聽到AI說中文了！是不是很神奇？這個聲音聽起來非常自然，帶有真人般的語調起伏，不再是以前那種機械音。

第二步：用GPT-SoVITS複製你自己的聲音

ChatTTS已經很棒了，但如果你想更進一步，讓AI用你的聲音說話呢？這就要用到GPT-SoVITS了。這個模型可以做到「聲音克隆」，你只要錄製5秒鐘的語音樣本，它就能模仿你的聲線、語調，甚至廣東話的口音。

安裝GPT-SoVITS的方法跟ChatTTS類似：

git clone https://github.com/RVC-Boss/GPT-SoVITS.git
cd GPT-SoVITS
pip install -r requirements.txt

安裝完成後，需要下載預訓練模型。模型檔案比較大（約2GB），放在Hugging Face上。執行以下指令自動下載：

python download_models.py

下載完成後，啟動網頁介面：

python webui.py

瀏覽器會自動打開一個控制台。你會看到幾個分頁，我們需要的是「語音克隆」這個功能。

1. 上傳音檔：錄製一段清晰的語音，建議5-10秒，背景安靜，說話自然。可以用手機錄音，再傳到電腦。
2. 輸入文字：在文字框輸入你想讓AI說的話，例如：「大家好，我係MobDome AI，今日教大家點樣用AI整語音。」
3. 生成語音：按「合成」按鈕，等待10-30秒，你就會得到一段用你聲音說出來的廣東話語音！

我第一次用的時候，真的嚇到了。那個聲音的停頓、呼吸聲、尾音的起伏，都跟我本人有九成相似。我傳給朋友聽，他們都以為是我自己錄的。

第三步：把語音合成整合到你的工作流程

學會基本操作後，你可能會想：「這跟我用Audacity自己錄音有什麼分別？」問得好！本地AI語音合成的最大價值，在於批量生產和自動化。

想像一下這個場景：你是一個教學頻道的創作者，每週要出一條10分鐘的教學影片。以前你要花2小時錄音、剪掉口誤、重新錄製。現在，你只要寫好稿子，用Python腳本呼叫ChatTTS，一次過生成10分鐘的語音，全程不用開口。

這裡有個簡單的Python腳本，可以批量處理多段文字：

import ChatTTS
from scipy.io import wavfile

chat = ChatTTS.Chat()
chat.load(compile=False)

texts = [
    "第一段：介紹AI語音合成的原理。",
    "第二段：示範如何安裝ChatTTS。",
    "第三段：總結今日教學的重點。"
]

for i, text in enumerate(texts):
    output = chat.infer([text])
    wavfile.write(f"output_{i}.wav", 24000, output[0])
    print(f"已生成第{i+1}段音訊")

你只需要把texts裡面的內容換成你的稿件，執行腳本，就會得到多個音訊檔。之後用任何免費剪輯軟體（例如DaVinci Resolve或剪映）把音訊跟畫面合在一起，一條影片就完成了。

對於程式設計師朋友，ChatTTS還提供了API介面，你可以把它整合到自己的應用程式裡。例如，做一個「文字轉語音」的Telegram Bot，或者在公司內部系統加上語音回覆功能。技術門檻不高，只要懂基本的Python和HTTP請求就行。

延伸閱讀

• 五分鐘學會！|本地AI語音合成
• 五分鐘學會！|免費生成AI影片
• 五分鐘學會！|下載開源AI模型

常見問題

Q: 我的電腦沒有NVIDIA顯示卡，跑得動嗎？ A: 絕對可以！ChatTTS支援純CPU模式，只是生成速度較慢。以一般文書筆電為例，生成10秒音訊約需20-40秒。如果你有Apple Silicon（M1/M2/M3）或AMD顯示卡，也有對應的加速方案，速度會快很多。

Q: 生成的語音像真人嗎？會不會有機器感？ A: ChatTTS和GPT-SoVITS的聲音自然度已經非常高，接近真人錄音。特別是用GPT-SoVITS做聲音克隆後，幾乎分不出來。不過，遇到生僻字、英文縮寫或特殊標點符號時，偶爾會發音不準。建議在文字稿中先用全形標點斷句，並避免使用表情符號。

Q: 廣東話支援好嗎？我主要想生成粵語內容。 A: 支援度不錯！ChatTTS本身支援中文（包括粵語發音），GPT-SoVITS則需要你提供粵語音檔做克隆，效果會更自然。建議錄音時用純正口音，避免懶音，這樣AI學到的發音會更標準。

Q: 這些模型可以商用嗎？會不會有版權問題？ A: ChatTTS採用MIT開源授權，可以自由商用，沒有版權限制。GPT-SoVITS使用MIT授權，同樣允許商用。但要注意，如果你用GPT-SoVITS克隆了某個名人的聲音，用於商業用途可能涉及肖像權或聲音權，這部分要自己承擔法律風險。建議只克隆自己或獲得授權的聲音。

Q: 我想讓AI唱歌，可以嗎？ A: GPT-SoVITS有「歌唱合成」功能，你可以上傳一段清唱的音檔，AI就能模仿那個聲音唱歌。不過歌唱的難度比說話高，需要更多訓練數據，效果可能不如專業的歌唱AI（如So-VITS-SVC）。如果你是初學者，建議先從說話開始。

---

總結一下，今天我們學到了三件事：第一，本地AI語音合成完全免費，而且私隱安全；第二，ChatTTS和GPT-SoVITS安裝簡單，一般電腦都能跑；第三，語音合成可以大幅提升你的創作效率，無論是影片配音還是自動化應用。

我希望你試著安裝一次，親耳聽聽AI用你的聲音說話。那感覺真的很奇妙！如果你在安裝過程中遇到任何問題，歡迎在留言區告訴我，我會盡力幫你解決。下次見！