把博客变成播客要几步？技术上三行代码就够：调一个 API，传一段文字，落一个 MP3。但真把它当产品做，"能响"和"能用"之间隔着一整个工程——多音字读对了吗，长文章怎么切，各段音量一致吗，克隆声音的法律风险谁来背。本篇是多模态系列第 7 篇，专讲文本转语音（Text-to-Speech，TTS）的工程化：先铺开三档选型光谱，再逐一拆解 OpenAI TTS、ElevenLabs 类专业服务、edge-tts 与 CosyVoice 两条免费开源路线，接着攻中文场景的硬骨头与长文本拼接，最后用一条"Markdown 文章 → 播客 MP3"流水线把全部零件串起来。全文按"选型 → 云 API → 专业服务 → 开源 → 中文 → 长文本 → 实战 → 合规 → 总结"组织。
1、TTS 选型光谱
市面上的 TTS 方案可以排成一条光谱，从贵到免费、从省心到操心，共三档：
| 维度 | 商业云 API | 免费云通道 | 开源自部署 |
|---|---|---|---|
| 代表 | OpenAI TTS、Azure、火山引擎 | edge-tts | CosyVoice、GPT-SoVITS |
| 音质 | 顶级，接近真人 | 中上，略有机器感 | 上限高，取决于调优 |
| 计费 | 按字符或分钟 | 免费 | GPU 机器与运维人力 |
| 稳定性 | 有 SLA 保障 | 非官方接口，随时可能断 | 自己负责 |
| 定制性 | 固定声音库 | 固定声音与参数 | 克隆、微调全开放 |
| 适合 | 生产与商业项目 | 个人工具与原型 | 大批量、隐私敏感 |
选型原则一句话：质量付费、量小蹭免费、量大再自建。商业项目直接上云 API，把精力留给业务；个人工具与原型用 edge-tts 这类免费通道，成本为零；只有日合成量到百万字符级、内容不允许出网、或要用自有声音资产时，自部署才回本——算账依据放在第 4 节。
三档光谱的选型决策画出来如下：
免费通道是排除法的兜底而非首选——既非商业、量又不大、还不涉隐私时才轮到它；而自部署的三条理由命中任何一条，就值得开始算账。
2、OpenAI TTS 实战
OpenAI 的 TTS 产品线目前三个模型，定位与计费口径各不相同：
| 模型 | 定位 | 计费（官方定价页） |
|---|---|---|
tts-1 |
低延迟通用 | 15 美元/百万输入字符 |
tts-1-hd |
高音质 | 30 美元/百万输入字符 |
gpt-4o-mini-tts |
最新，支持指令控语气 | 文本 10 美元 + 音频 20 美元/百万 token |
声音库共 11 个：alloy、ash、ballad、coral、echo、fable、onyx、nova、sage、shimmer、verse，中英文通吃。基础调用与流式落盘的写法如下：
# tts_openai.py —— OpenAI TTS：指令控制 + 流式落盘
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral", # 11 个声音之一
instructions="科技播客口吻，语气自然，语速适中",
input="本篇把文本转语音从能响做到能用。",
speed=1.0, # 0.25～4.0
) as resp:
resp.stream_to_file("demo.mp3") # 流式写盘，长音频不占内存
instructions 是 gpt-4o-mini-tts 的独有参数，可以直接指挥语气——"像新闻播报""兴奋一点"——老模型 tts-1 只能靠文本自己撑情绪。speed 全系可用；输出格式支持 mp3、opus、aac、flac、wav、pcm，分发用 mp3 最通用，要做后处理建议存 wav 无损。流式接口边合成边落盘，配合第 6 节的分段策略就是长音频的标准姿势。
计费上按官方文档口径：tts-1 按输入字符计费，一篇 3000 字文章约 4.5 美分，个人博客完全无感；gpt-4o-mini-tts 按 token 计费，折算每分钟音频约 1～3 美分，与 tts-1 相当但音质与可控性更好，新项目直接选它。唯一要记的硬限制：单次请求最多 4096 字符，长文必须分段。
3、ElevenLabs 专业服务
OpenAI 解决"说清楚"，ElevenLabs 解决"说得好听"，一句话定位：贵，但像。专业声音克隆（Professional Voice Cloning）用半小时级素材训练专属音色，相似度能到以假乱真；情感控制可以细化到大笑、叹气、迟疑；多语言合成里中文支持成熟。什么时候选它：有声书、品牌声音、对成品听感有硬指标的商业项目。
价格（2026 年 10 月）：免费档每月约 1 万字符，只够试听；Creator 档 22 美元/月；API 侧 Flash/Turbo 模型约 0.05 美元/千字符、Multilingual v2 约 0.10 美元/千字符——是 tts-1 的三到七倍。两个新动向值得知道：2026 年 5 月官方整体降价并引入按量付费；从声音库调用克隆音色会产生使用费（约 0.20 美元/千字符），分给声音本人——克隆的商业闭环开始照顾被克隆者。技术博客转播客这类场景，它的性价比不如前两档。
4、开源与免费方案
4.1、edge-tts 免费通道
edge-tts 的原理是借 Microsoft Edge 浏览器"大声朗读"功能的免费接口，音色就是 Azure 的神经网络声音（zh-CN-XiaoxiaoNeural 等），音质中上、成本为零，是个人项目的默认起点。但它必须认清一个身份：非官方接口。教训都写在 issue 区：2024 年 10 月微软加 DRM token 引发 403，2025 年 12 月接口再断，2026 年 1 月又现 401/403——好在社区每次都在几天内跟上，最近一次 403 从 7.3.0 版本起修复。工程用法三条：锁最新版本、失败重试、绝不接生产 SLA。基础调用如下：
# tts_edge.py —— edge-tts 异步合成
import asyncio, edge_tts
async def synth(text: str, out: str, voice="zh-CN-YunxiNeural"):
ct = edge_tts.Communicate(text, voice, rate="+8%") # 还有 volume/pitch
await ct.save(out)
asyncio.run(synth("免费通道，成本为零。", "demo.mp3"))
rate、volume、pitch 都用 "+8%"/"-50%" 这种相对值微调；声音列表用 edge-tts --list-voices 查看，中文男声推荐 YunxiNeural，女声 XiaoxiaoNeural。
4.2、CosyVoice 自部署
自部署一栏的代表是阿里通义实验室开源的 CosyVoice：几秒参考音频即可零样本克隆音色，支持跨语言与流式合成；同赛道还有 GPT-SoVITS、F5-TTS、Fish Speech。什么时候值得自建？三条硬标准：
- 日合成量百万字符级，云 API 账单超过一台 GPU 机器的月成本
- 内容敏感不能出网：医疗、金融、政企客服
- 要克隆并长期运营自有声音资产
门槛也要如实说：消费级显卡起步，部署、推理优化、音色调优都要人投入；论开箱音质，它未必稳赢头部云 API。自部署的价值在可控——成本可控、隐私可控、声音可控，而不是便宜。
5、中文合成注意事项
英文 TTS 的评测分数再高，也不代表中文场景没问题。三块硬骨头：多音字、数字读法、中英混读。
| 问题 | 各家表现 | 控制手段 |
|---|---|---|
| 多音字 | 常见词组基本正确，人名地名常翻车 | 文本预处理、同音字替换 |
| 数字读法 | 年份、小数、百分比偶发直读 | 预先改写成汉字 |
| 中英混读 | 新一代模型基本可用，缩写词不稳 | 空格分隔与术语表 |
多音字靠上下文消歧，"银行""行走"这类高频词基本全对，但"重庆银行行长"一句里 háng 与 xíng 混排就可能翻车；最狠也最有效的招是同音字替换——把"行长"写成"航长"，读音立刻锁死。数字读法的规则可以枚举，"2026 年"要读"二零二六年"，"1.5 万"要读"一点五万"，预处理示例：
# normalize_text.py —— 数字读法预处理
import re
CN = "零一二三四五六七八九"
def _year(m: re.Match) -> str: # 2026 年 → 二零二六年
return "".join(CN[int(c)] for c in m.group(1)) + " 年"
def normalize(text: str) -> str:
text = re.sub(r"(\d{4})\s*年", _year, text)
text = re.sub(r"(\d+)\.(\d+)\s*万", r"\1 点 \2 万", text)
return text
两条规则覆盖了最常见的翻车点，其余读法按自己的语料逐条加即可。SSML 的麻烦在于各家支持参差：Azure 全套支持，能用 <phoneme> 按拼音标注读音；ElevenLabs 只在部分模型支持 <break> 等少数标签；OpenAI TTS 干脆不支持 SSML，只吃纯文本——所以 OpenAI 路线必须把读法全部写进预处理。中英混读上，gpt-4o-mini-tts、ElevenLabs、CosyVoice 新版都能自然读出"用 Python 实现"，但 API、SQL 这类缩写不稳定，替换成"A P I"式的字母串反而更可控。
6、长文本分段合成
云 API 对单次请求都有长度上限（OpenAI TTS 是 4096 字符），长文章天然要分段。分段本身不难，难在三个细节：不腰斩句子、段间自然停顿、各段音量一致。核心实现：
# tts_long.py —— 按句切分与拼接
import re
from pydub import AudioSegment
def split_chunks(text: str, limit: int = 1500) -> list[str]:
chunks, buf = [], ""
for sent in re.split(r"(?<=[。！？!?])", text): # 按句末断言切
if buf and len(buf) + len(sent) > limit:
chunks.append(buf)
buf = ""
buf += sent
return chunks + ([buf] if buf else [])
def merge(parts: list[str], pause_ms: int = 600) -> AudioSegment:
silence = AudioSegment.silent(duration=pause_ms) # 段间停顿
audio = AudioSegment.empty()
for i, f in enumerate(parts):
if i:
audio += silence
audio += AudioSegment.from_file(f)
return audio
切分在句末断言处下刀，绝不把一句话劈成两段——段边界上的语调突变是长音频最难听的瑕疵；limit 取 1500 而非顶格 4096，是给预处理后的文本膨胀留余量，也降低单段失败的重试成本；停顿 600 ms 接近播客换气的自然值，可在 400～800 ms 间按听感调。音量一致化交给 ffmpeg 的响度归一滤镜，拉到播客标准响度：
ffmpeg -i raw.mp3 -af loudnorm=I=-16:TP=-1.5 -ar 44100 podcast.mp3
分段还有一层容错意义：单段失败只需重试那一段；按段并发请求，能把一篇万字文章的合成时间从十几分钟压到一两分钟。
7、文章转播客流水线
把前面的零件装配成完整流水线：Markdown 文章 → 文本清理 → 分段合成 → 拼接 → 元数据。清理是听感的生死关——代码块、表格、链接直接读出来全是噪音。清理函数实现：
# clean_md.py —— Markdown 转朗读文本
import re
def clean_md(md: str) -> str:
md = re.sub(r"```[\s\S]*?```", "（代码部分请看原文）", md) # 代码块
md = re.sub(r"!\[[^\]]*\]\([^)]*\)", "", md) # 图片
md = re.sub(r"\[([^\]]+)\]\([^)]*\)", r"\1", md) # 链接留锚文本
md = re.sub(r"^\s{0,3}[#>*|+\-]+", "", md, flags=re.M) # 行首标记
return re.sub(r"\n{2,}", "\n", md).strip()
代码块替换成一句"（代码部分请看原文）"而不是删除，听感上保留了文章结构；链接只留锚文本；表格的管道符清掉后每行仍是一句可读的话。主流程把四个步骤串起来：
# md2podcast.py —— 文章转播客主流程
import asyncio, edge_tts
from clean_md import clean_md
from normalize_text import normalize # 第 5 节的数字预处理
from tts_long import split_chunks, merge
VOICE = "zh-CN-YunxiNeural"
async def md_to_podcast(md_path: str, out: str):
text = normalize(clean_md(open(md_path, encoding="utf-8").read()))
parts = []
for i, chunk in enumerate(split_chunks(text)):
part = f"part_{i:03d}.mp3"
await edge_tts.Communicate(chunk, VOICE, rate="+8%").save(part)
parts.append(part)
merge(parts).export(out, format="mp3",
tags={"title": md_path, "artist": "我的博客电台"})
asyncio.run(md_to_podcast("post.md", "post.mp3"))
中文语速约每分钟 260 字，一篇 3000 字文章产出约 11 分钟音频；tags 写入 ID3 元数据，播客客户端能正确显示标题与作者；pydub 底层依赖 ffmpeg，装好即可。想更专业，开头拼一句录好的开场白、结尾拼固定 outro，再过一遍第 6 节的 loudnorm——一条像样的单人播客就成了。
8、声音克隆合规红线
克隆谁的声音，就要拿到谁的明确授权；生成 AI 内容，就要做显著标识。
这不是道德建议，是法规要求。《互联网信息服务深度合成管理规定》把合成语音明确纳入深度合成内容：提供声音克隆功能应取得被克隆者的单独同意，合成内容需显著标识；《民法典》里声音权益参照肖像权保护——2023 年刷屏的"AI 孙燕姿"翻唱批量下架，就是平台在红线前刹车。工程侧的三道保险：克隆入口强制授权确认（ElevenLabs 的 consent 流程就是范本）；输出文件写入 AI 生成标识；对外服务完成算法备案再上线。
9、总结
回顾全文：选型走三档光谱——质量付费、量小免费、量大自建；OpenAI TTS 用 gpt-4o-mini-tts 的 instructions 拿到语气控制，记住 4096 字符上限与按字符计费口径；ElevenLabs 贵但像，留给对听感有硬指标的项目；edge-tts 零成本但要认清非官方身份，锁版本、常升级；自部署只在百万字符级、隐私合规或自有声音资产时回本；中文场景靠文本预处理救多音字与数字读法；长文合成守住三个细节——不腰斩句子、段间停顿、响度归一；克隆声音先拿授权、做好标识。
留一个练习：把你手上任意一篇博客文章转成 MP3——先用第 7 节流水线跑通 edge-tts 版本，再换 OpenAI TTS 合成一次，戴上耳机对比两版的多音字、中英混读与段间停顿，最后把 loudnorm 参数调成你喜欢的响度。跑完这三步，TTS 的选型账与工程坑就都过手一遍了。
对于想做"博客电台"或内容二次分发的团队，建议把第 7 节流水线接进发布流程——文章发布的同时自动产出音频版本，是投入产出比最高的一步。
