如何在浏览器里使用文字转语音（以及它做不到什么）

2026年10月1日

每个现代浏览器都能把文字念出来，而几乎没人用这个功能。它内置、不需要账号，页面一加载就能用。它同时被一堆误解包围——大多是关于它能产出什么，以及你的文字去了哪里。

到底是谁在说话

浏览器开口时，声音来自一个语音引擎，而这个引擎可以待在两个地方。

你的设备上。 Windows、macOS、iOS、Android、Linux 都自带语音引擎。它们完全不需要网络。这些就是你操作系统辅助功能设置里能看到的那些语音。

浏览器厂商的云端。 尤其是 Chrome，它还会提供远程合成的语音——它们和本地语音出现在同一个列表里，通常以厂商命名。这些需要联网，文字会被发出去合成。

实际的结论：如果文本敏感，挑一个本地安装的语音。你操作系统的语音设置会告诉你哪些是。

搜一下 text-to-speech，你会找到几十个站点，大多要账号、要信用卡，或者两样都要。原因很简单：它们在服务器上跑语音模型，而服务器是要花钱的。

这套模式对你也有代价。你粘贴的每一个字都会被传到那台服务器、在那里处理，而且视站点而定，还可能被记录。人们往 TTS 输入框里粘的东西五花八门：没写完的邮件、内部文档、病历、反复斟酌措辞的私信。

浏览器语音把整个问题绕开了。什么都不用传，因为合成发生在文字本来就在的地方。代价是音质：操作系统语音是“能用”而非“以假乱真”，而最新的云端语音明显更好听。但要回听一遍自己的草稿，“能用”通常就够了。

这个误解值得先讲清楚，因为它浪费了很多人的时间。

浏览器不能把文字导出成音频文件。 没有下载按钮，也没有哪个设置能变出一个来。语音合成 API 是为无障碍设计的——把页面念出来——它刻意不把音频流暴露给页面。一个网站没法录下自己正在说的话。

所以如果你需要 MP3 或 WAV——给视频配音、做播客、有声书、电话系统提示音——浏览器 TTS 就是错的工具，再找那个“隐藏的导出按钮”也没用。你需要专门的录音方案，或者一个以生成文件本身为产品的服务。

浏览器真正擅长的是听：用耳朵校对草稿、听一句话读出来是什么感觉、检查自己写的东西节奏对不对，或者一边干别的活一边听长文章。

两个控制项干了大部分活。

语速。 默认是 1×，而对多数内容来说，一旦你习惯了就会嫌它慢。回听自己写的东西，大多数人会停在 1.25× 到 1.5×。要更慢——0.8× 或以下——是在推敲具体用词、或者用第二语言听的时候。

音调。 没有理由就别动它。稍微降低音调能让单薄的语音适合长时间听；调高通常只会更难听。它不是性别或角色控制，尽管经常被那样描述。

两个更小的点值得知道：

长文本会被当成一整条流来念。 没有按段控制，而且在某些浏览器里一暂停就丢了位置。超过几百字，把它切成块、一块一块播，比跟播放器较劲更可靠。

语音列表取决于机器，不取决于网站。 同一个页面在 Windows 和手机上提供的语音不一样，因为那个列表就是操作系统装了什么。你期望的语音不在，是因为它没装——那是系统设置，不是浏览器设置。

如果你需要能保存、分享、编辑的音频——它不是。

如果你需要广播级的旁白——它也不是。操作系统语音听得清、也听得出是合成的。校对和无障碍够用，任何会被当成成品听的场合都不合适。

如果文本是机密的，而你不确定正在用哪个语音——先看语音列表。本地安装的语音把一切都留在你机器上；厂商云端语音不会。

能把音频下载成 MP3 吗？ 不能。浏览器语音合成不暴露音频流，所以任何页面都无法录制或保存它。那需要专门的工具或服务。

浏览器 TTS 需要联网吗？ 如果语音装在设备上，不需要。浏览器厂商云端提供的语音则需要联网。

我的文字会被上传吗？ 用本地安装的语音不会——合成在你的设备上完成。用厂商云端语音，文字会被发到那家厂商去合成。

为什么手机上可选的语音不一样？ 因为列表来自操作系统，而每台设备装的那一套不同。在你系统的语音或辅助功能设置里添加语音。

它能读哪些语言？ 任何你装了语音的语言——常见的有英语、普通话、西班牙语、法语、德语、日语。混排文本通常会有一方的发音是错的。

它准到能用来校对吗？ 能，而且比默读更容易抓到别扭的措辞、重复的词和过长的句子。耳朵会注意到眼睛会跳过的东西。