你大概在某个 App 的菜单里、在评论区、或者在某条推文里见过"TTS"这三个字母，却没太搞懂它到底指什么。答案很简单：TTS 是 text-to-speech 的缩写，中文叫文字转语音。说白了，就是一种把文字读出来的软件——你给它一段文字，它给你一个声音把这段文字念出来。原理就这么直白。真正有意思的是它怎么做到的、为什么有的 TTS 听着像个真人有的却像九十年代的电话答录机，以及它到底什么时候值得用、什么时候还是自己用眼睛读更好。我自己天天泡在这类工具里，下面这篇就是我当初真希望有人直接塞给我的那种大白话版本。
TTS 到底指什么，又不是什么
文字转语音是一条单行道：文字进，声音出。你喂给它一段文字——一个网页、一份 PDF、你刚打的一句话——它就把这段文字念出来。
它有两个容易被搞混的"亲戚"，先理清楚：
- STT（语音转文字） 是反方向的——你说话，它写字。手机上的语音输入、视频会议里的实时字幕，都是它。
- 读屏软件（比如 iOS 的 VoiceOver、Windows 的 NVDA）是一整套无障碍系统，它会把整个界面念出来——按钮、菜单、弹窗——专为盲人和视力障碍用户设计。它会用到 TTS 来发声，但它干的事远不止读一段文字。
所以当有人说"用 TTS"，几乎都是指"把这段文字读给我听"。在手机上它有时叫"朗读屏幕""朗读所选内容""听一听"，在老系统里叫"讲述人"或"语音"。底层是同一回事。
还有一点要说清：TTS 不是真人录音。没有谁坐在录音棚里念。每一个字都是临场实时生成的——这也正是它能读你随便丢进去的任何内容的原因，哪怕是一秒钟前才写出来的文字。
不堆术语，讲讲 TTS 怎么工作
把文字变成自然的人声，比听起来要难得多，而且这些年技术换了好几代。你会遇到的大概是这三代，用大白话说：
第一代，拼接式 TTS（老办法）。 经典做法是请一位配音演员录下成千上万个小音片——音节、音素、词的碎块——存进一个巨大的"音库"。要念一句新话，软件就把对应的碎块拼起来，活像把杂志上的字一个个剪下来拼成一封信。碎块凑得上的时候还行；凑不上的时候，你就会听到那种磕磕巴巴、机械、词读到一半突然变调的怪感觉。这套东西支撑了几十年里大多数"电脑嗓音"，老 TTS 那股一耳朵就能听出来的腔调就是这么来的。
第二代，参数式 TTS（过渡期）。 这一代不再存音片，而是给语音的各项参数建模——音高、时长、每个音的形状——再用数学方法把声波合成出来。它比拼接式顺滑、也灵活得多，但经典的参数式嗓音常常有点闷、有点嗡嗡的，像隔着一堵薄墙听人说话。是个聪明的过渡，但不是终点。
第三代，神经网络 TTS（你今天听到的）。 现在的 TTS 用的是深度神经网络，喂进去海量真人语音去训练。它不再是把音片粘起来，而是直接生成声波，自己学会了真人说话那种自然的抑扬顿挫——人会在哪里换气、哪个词该重读、问句结尾怎么往上扬。正是这一跳把差距补平了。2026 年一个好的神经网络嗓音，节奏和语调都到位，只要你用正常语速听、注意力放在内容上，两分钟之内你就不会再意识到它是合成的。
还有一个你永远看不到、却干了大量脏活的环节：文本规范化。在生成任何声音之前，软件得先想清楚这段文字该怎么读。中文里"重"是读 zhòng 还是 chóng，得看上下文；"长"是 cháng 还是 zhǎng；"1996"该念"一九九六"还是"一千九百九十六"，也要分场合。这些判断做得准不准，恰恰是一个 TTS 引擎听着"聪明"还是"犯傻"的一大关键。当你听到它把多音字读错、把日期念成一长串数字时——那是规范化出了问题，不是嗓音质量的锅。
大家到底拿 TTS 来干嘛
教科书答案是"无障碍辅助"，这确实是个巨大且真正重要的用途。但 TTS 也悄悄成了主流的效率工具。下面是我看到它真正派上用场的地方：
- 无障碍辅助。 对有阅读障碍（读写困难）的人来说，一边看字一边听到这个词，能大幅提升理解、减轻疲劳——它是辅助技术里的老牌主力是有原因的，详见我们这篇读写困难人群的文字转语音。对视力不便的人、以及任何更习惯用耳朵读东西的人，它一样有用。
- 专注力与多动倾向。 出乎意料地多的人发现，一边听一边跟着看能把自己摁在那一页上，否则眼睛早就飘走了。这点我们在注意力缺陷人群的文字转语音里聊得更细。
- 学习。 把讲义、课本章节、或者 PDF 变成音频，你就能在散步时复习，或者用读一遍的时间过两遍。学生党可以看学生的文字转语音那篇完整拆解。
- 把碎片时间捡回来。 这是我自己最主要的用法。四十页的报告、一本厚厚的 Kindle 书、攒了一堆没看的文章——TTS 让我在做饭、通勤的时候就把它们消化掉，不用再额外挤出我根本没有的看屏时间。
- 校对自己的稿子。 把自己写的东西听一遍，是揪出别扭句子和漏字最快的办法。耳朵能逮住眼睛一滑而过的毛病。
- 对付 AI 吐出来的大段文字。 问 AI 一个问题，回来六大段。让 Claude 或 ChatGPT 把答案念给你听，你就能像听同事在白板前讲解一样把它吸收掉，手还腾得出来。
共同点很清楚：只要你的眼睛正忙着、累了、或者本来就不是当下最趁手的工具，TTS 就能发光。
什么时候别用 TTS
我得说点实话，因为大多数指南不会说：TTS 并不总是对的选择，硬用反而更糟。
- 高度依赖视觉或结构的内容。 表格、电子表格、公式密集的材料，以及任何"排版本身就是信息"的东西——TTS 会把它读成一条平铺的流，结构全丢了。让它把一个方程念成"左括号 x 逗号 y 右括号"，真的不如直接看。
- 逐字读代码。 听它把一个函数一个符号一个符号地拼出来，简直是折磨。当你想要的是代码的讲解时，听旁边的文字、用眼睛看代码就好。我朗读 VS Code 时就是这么干的：注释和文档交给声音，代码留给眼睛。
- 需要快速扫读的时候。 看字能让你跳着读、扫一眼、五秒钟就把一篇烂文章关掉。音频是线性的——适合吸收，不适合筛选。只想找一个事实？直接读。
知道什么时候不该伸手去用它，正是"觉得 TTS 改变人生"和"试一次就再也不碰"两类人的分水岭。
怎么免费上手 TTS
想知道 TTS 适不适合你，根本不用花钱。下面是几条实在的路子，从最省钱的说起：
系统自带（免费，你设备上已经有了）。 几乎每个主流平台都内置了基础朗读：iOS 在"辅助功能"里有"朗读屏幕"和"朗读所选项"，安卓有"选择朗读"，macOS 和 Windows 也都有可以打开的系统语音功能。拿来快速试试挺好，还不花钱。问题是：自带的嗓音往往是偏老、偏机械的那种，而且想读特定内容——某一页 Kindle、一份在线文档、一段聊天记录——通常得复制粘贴到另一个窗口里，用几次就嫌烦。
一个专门的免费朗读工具（我真正会推荐的）。 这才是为这件事而生的工具拉开差距的地方。CastReader 是一款免费的文字转语音朗读器——一个 Chrome/Edge 扩展，外加原生的 Mac 和 iOS/安卓 App——也是我每天都在用的那套。它用的是自然的神经网络嗓音，更关键的是，它能就地读你眼前的内容，不用你粘来粘去：浏览器里的 Kindle 书、微信读书、知乎、Notion 页面、arXiv 论文都能读。它免费可用——任何文字都能用自然语音在任意设备上听，无需注册；想要 premium 超真实语音、更多时长和 AI 分析可升级 CastReader Pro。
我会推给朋友的"两分钟上手配方"：
- 从 Chrome 网上应用店装上 CastReader 扩展（Chrome、Edge 都能用），或者在 App Store、Google Play、以及 Mac 端装上对应 App。
- 打开你想听的东西，选中文字（或者用朗读器里的"从这里开始读"），按播放。
- 花两分钟试听几个嗓音，等耳朵适应了再把语速往上推到 1.25 倍左右。选对嗓音和语速，决定了它对你是负担还是习惯。
如果你正想拿它和那几款知名付费 App 比一比，我们有诚实的逐项对照：一篇 Speechify 平替拆解，和一篇 NaturalReader 平替拆解，付费工具真正更强的地方也照实写了。
常见问题
TTS 是什么的缩写？
TTS 是 text-to-speech（文字转语音）的缩写——一种把书面文字转成语音的软件。你给它文字，它用合成嗓音念出来。它和 STT（语音转文字，把你的话转成文字）正好相反。
TTS 和读屏软件是一回事吗？
不是，但有关系。读屏软件（如 VoiceOver、NVDA）会把整个界面——按钮、菜单、弹窗——都念出来，让人不用看屏幕也能操作设备。它会用到 TTS 来发声，但 TTS 本身只是把你指给它的一段文字读出来。多数人说"用 TTS"，指的是简单的朗读。
为什么有的 TTS 听着机械，有的却像真人？
差在技术。老的拼接式嗓音是把预录的音片拼起来，所以有那种磕巴、机械的感觉。现在的神经网络 TTS 是用在真人语音上训练出来的深度模型直接生成声波，能还原自然的节奏和语调——这就是今天好嗓音听着接近真人的原因。
真有免费的文字转语音工具吗？
有。设备自带的朗读免费，但嗓音偏老、还经常得复制粘贴。像 CastReader 这种专门的免费朗读器用的是自然的神经网络嗓音，能就地直接读内容，而且免费可用、无需注册。它是一个浏览器扩展，外加 Mac 和手机 App，另有可选的 CastReader Pro 档位提供 premium 超真实语音、更多时长和 AI 分析。
TTS 能读我的 Kindle 书、PDF 和文档吗？
有些工具能，而且这件事比嗓音质量更重要——一个朗读器只有能读到你的内容才有用。CastReader 能在浏览器里直接读 Kindle，也能把 PDF 变成有声书、把 EPUB 变成音频，都不用复制粘贴。
一句话总结
TTS 就是文字转语音：把书面文字读出来的软件。技术上它从磕磕巴巴的音片拼接（拼接式），一路进化到今天直接生成自然语音的神经网络嗓音——这也是现代 TTS 终于好听的原因。它在无障碍辅助、专注、学习、校对、以及把你本会盯着屏幕耗掉的时间捡回来这些事上是真有用的——但它也确实不适合表格、逐字读代码、或者快速扫读。想知道它在你生活里能落在哪儿，最好的办法就是试一次：从一个免费朗读器开始，花两分钟挑个嗓音，让它读你下一个本来要眯着眼看的东西。有问题或想要某个嗓音？写信到 support@castreader.ai——回复你的是真人。