你想听的小说迟迟没有有声版，播客平台上翻来翻去只有那种干巴巴的机器朗读——这事儿我也经历过。
后来发现，只需要一台有显卡的普通电脑，再加上一个叫 MOSS‑TTS 的开源模型，就能把任何电子书零成本转成自然流畅的真人感朗读，而且还能用自己的声音，或者你喜欢的任何音色。
这篇文章就是写给 不想为配音付费、又对语音质量有起码审美 的普通人。不一定需要你会编程，但我会把整个操作链路拆成“复制、粘贴、稍微改两行”的程度。
为什么是 MOSS‑TTS，而不是别家
市面上能用的免费 TTS 不少，但多数一开口就透着一股“电子味”：语调像心电图，字与字之间带着诡异的停顿，听久了会生理性难受。
MOSS‑TTS（来自 OpenMOSS 团队的 v1.5 版）是我实测下来，在免费、本地部署、中文效果三件事上平衡得最好的模型。它支持 零样本声音克隆——你录 3‑10 秒随便一个人说话的音频，它就能用那种音色、口吻去念一整本书。不需要漫长训练，也不需要标注数据。
打个比方：传统语音合成像用乐高搭积木，每个发音单元都是预先录制好的，拼接起来生硬；MOSS‑TTS 更像一个模仿演员，它学会了“声音的说话方式”，然后照着稿子临场表演，所以会更有轻重缓急。
从电子书到可听的有声文件，总共三步
你不需要懂深度学习，只需要会打开命令行（终端），把下面这几步跑一遍。全程都在你自己的电脑上，不联网，不花钱，不泄露任何文本。
1. 准备好文本，切成小段
MOSS‑TTS 一次能处理的文字长度有限制（大概两三百字比较稳），所以我们需要先把整本《三体》或者你想听的任意 txt 文件切分成自然段。
这是一个极简的切分思路，你可以直接存成一个 split_text.py 文件：
import re
with open("book.txt", "r", encoding="utf-8") as f:
text = f.read()
# 按章节或者自然段切分，这里用连续两个换行作为段落边界
paragraphs = re.split(r'\n\s*\n', text)
paragraphs = [p.strip() for p in paragraphs if p.strip()]
# 把太长的段落再按句号等标点拆短
max_len = 300
short_paragraphs = []
for p in paragraphs:
while len(p) > max_len:
idx = max_len
for sep in ['。', '！', '？', '；']:
pos = p.rfind(sep, 0, max_len)
if pos > 0:
idx = pos + 1
break
short_paragraphs.append(p[:idx].strip())
p = p[idx:].strip()
short_paragraphs.append(p)
# 保存成每行一段
with open("paragraphs.txt", "w", encoding="utf-8") as f:
for s in short_paragraphs:
f.write(s + "\n")
跑完后你会得到一个 paragraphs.txt，一行就是一段话，供后面 TTS 逐个合成。
2. 安装 MOSS‑TTS，一键下载模型
这里假设你有一台英伟达显卡（6G 显存以上最好，纯 CPU 也能跑，只是慢），已经装好 Python 3.10 和 Git。
接下来用官方推理脚本，直接从 Hugging Face 拉取模型：
git clone https://github.com/OpenMOSS/MOSS-TTS.git
cd MOSS-TTS
pip install -r requirements.txt
# 模型会自动在第一次运行时下载，约2G
你完全可以把它当成一个“黑盒子”，不需要深究里面的神经网络怎么算。
3. 合成音频并拼接
用一段 Python 脚本逐行读取 paragraphs.txt，调用 MOSS‑TTS 生成对应 wav 文件，最后用 pydub 库把它们按顺序接起来。这里的关键是 保持音色统一——把参考声音那几秒的 wav 文件（比如你录的一句“大家好我是小美”）每段都用上，就能保证整本书听上去像同一个人在朗读。
import os
import subprocess
from pydub import AudioSegment
reference_wav = "reference.wav" # 你的3秒参考音频
lines = open("paragraphs.txt", "r", encoding="utf-8").readlines()
parts = []
for i, line in enumerate(lines):
out_file = f"temp_{i:04d}.wav"
# 假设官方推理脚本支持 --ref_wav 和 --output 参数
subprocess.run([
"python", "inference.py",
"--text", line.strip(),
"--ref_wav", reference_wav,
"--output", out_file
])
parts.append(out_file)
# 拼接所有片段
combined = AudioSegment.empty()
for p in parts:
seg = AudioSegment.from_wav(p)
combined += seg
os.remove(p) # 清理临时文件
combined.export("audiobook.wav", format="wav")
print("有声书生成完毕：audiobook.wav")
对于一本 10 万字的书，在 RTX 3060 上大概一两个小时就能出成品。你可以边合成边去喝咖啡，甚至可以同时给另一本书跑另一个音色。
这条路跟其他方案比，到底好在哪
相比商业 TTS API（微软 Azure、阿里云等）
– 成本：API 按字符数收费，10 万字差不多要几十块甚至上百块，而本地 MOSS‑TTS 完全免费。
– 可控性：API 通常锁死音色列表，你没法用自己奶奶的声音；本地模型可以拿任何一段音频克隆音色，0 门槛。
– 隐私：你的文本不会上云，不用担心电子书内容被服务商记录下来。
相比自己录音
– 时间：录一本有声书少说几十个小时，反复 NG，普通人基本坚持不下来。
– 修改成本：如果后期发现某段读错了，真人要重录；AI 只需要改那一段文本重新合成。
当然，它也有不擅长的场合
– 情绪极度夸张的台词（大哭大笑那种），AI 处理得还不够细腻，可能会听起来像“端着”。
– 多角色对话时，它不能自动变声，需要你自己切出不同角色、配上不同参考音色，稍微多了点手工活。
– 如果电脑没有显卡，合成一本长书可能需要一整夜，急用时会有点煎熬。
但在 80% 的日常听书需求下——叙事、知识类、甚至带点温情的小说——MOSS‑TTS 的输出已经能让听者忘记这是 AI 的声音。
这意味着什么
过去想做一本有声书，你至少需要：
– 一位声音条件好的朗读志愿者或专业配音员
– 一个安静的录音棚
– 几天的后期剪辑
现在，只要你会调个 Python 脚本，一个周末就能给自己、孩子、甚至微信群里的朋友们做出专属于你口音的有声书仓库。这种方式把“高质量语音内容的生产权”拉回到了每个人手里。
下次遇到一本想“听”又没有官方配音的好书，不用等了。你手机里存一段自己的声音，晚上跑个脚本，第二天醒来，它已经在那里了。