TTS Studio 係一個開源嘅文字轉語音工具，內建 322 個 AI 音色同支援 75 種語言，用嚟將字幕檔（SRT / VTT）或者純文字轉成多語音頻，適合需要製作多語版配音嘅內容創作者。用 Docker 部署大約十分鐘搞掂，自建 VPS、NAS 或者個人電腦都可以跑，免費、無月費、無 API call 費用。
咩係 TTS Studio？
TTS Studio 係一個開源嘅字幕轉語音（Text-to-Speech）工具，主要用途係將現成嘅字幕檔（SRT 或者 VTT 格式）或者直接輸入嘅文字，經由 AI 合成做自然語音檔案（MP3）。對於做多語版本嘅短片同 podcast 嘅創作者嚟講，可以慳返大量逐句錄音嘅時間。
工具內建 322 個音色，覆蓋 75 種語言，包括中文（普通話 / 廣東話 / 台灣國語等多種口音）、英文（美式 / 英式 / 澳洲等）、日文、韓文、法文、德文、西班牙文等等。用戶可以喺 web 介面直接輸入文字試聽效果，再微調語速同音量，適合就咁出到 publish 級數嘅成品質素。
工具同時支援時間軸自動對齊 — 將字幕時間碼直接帶入生成嘅音頻，長度同原片匹配，唔使人手逐段對位。仲內置用戶認證、生成歷史紀錄、明暗主題切換等實用功能。
322 個音色 + 75 種語言：邊類內容最啱用？
TTS Studio 嘅 322 個音色庫唔係均勻分佈 —主流語言（英、日、韓、法、德、西）每個都有幾十個男、女、童聲、特殊風格選擇，小眾語言（例如廣東話、阿拉伯語、越南語等）都至少有 3-5 個音色。
實際應用場景包括：
- 多語版教學短片：原本普通話或者英文嘅教學頻道，可以用工具批量生成日文、韓文、泰文版本配音，配合多聲軌功能上架
- Podcast 多語版：原本粵語 podcast 想出英文版本俾海外聽眾，可以用英文音色配
- 電子學習內容：學校或者培訓機構批量生成多語版教材
- 產品 demo 配音：SaaS 公司要快速生成多語版產品示範配音
- YouTube Shorts 自動化：批量產生短片配音
工具嘅限制：合成出嚟嘅音色雖然自然，但對特定品牌聲線（例如想模仿某 KOL 嘅招牌語氣）就未必能夠 100% 還原；商業品牌配音通常仲需要人手微調。但對於一般內容創作或者多語初版嚟講，已經足夠。
Docker 部署準備：硬體 + 軟體需求
TTS Studio 提供 arm64 同 x86 雙架構 Docker 鏡像，即係 Windows、Mac（Intel 或者 Apple Silicon）、Linux VPS、NAS（Synology / QNAP）等幾乎所有可以行 Docker 嘅平台都可以部署。
最低系統要求：
- 處理器：1 核心已足夠（合成主要係 GPU 或者雲端 API 唔使本地計）
- 記憶體：建議 1 GB 以上
- 硬碟空間：500 MB（Docker 鏡像）
- 網絡：初次部署需要下載鏡像同 TTS 模型檔案，大約 200-500 MB
- 作業系統：Linux / macOS / Windows 10+（支援 Docker Desktop / OrbStack / Rancher Desktop）
如果部署喺雲端 VPS，揀 1 GB RAM、1 vCPU 嘅入門規格已經夠用。如果想用本地電腦行，Apple Silicon Mac 會比較慳電（arm64 鏡像原生支援），而 Intel Mac 或者 Windows 機就用 x86 鏡像。
Docker Compose 一鍵部署
官方提供嘅 docker-compose.yml 相當簡潔，整個部署只需要一個 service：
“`yaml version: ‘3’ services: tts-studio: image: ywsj/tts-studio:latest container_name: tts-studio ports: – “5100:5100” environment: – ADMIN_USERNAME=admin – ADMIN_PASSWORD=admin123 restart: unless-stopped “`
重點配置：
- Port 5100：可以改成自己鍾意嘅 port，記得同步改 host 同 container 兩邊
- 預設帳號 admin / 密碼 admin123：部署完成後必須立即改密碼（環境變數或者 web 介面 settings）
- restart: unless-stopped：VPS 重啟後自動恢復服務
部署步驟（Linux / Mac / WSL）：
“`bash # 1. 建立工作目錄 mkdir -p ~/tts-studio && cd ~/tts-studio # 2. 建立 docker-compose.yml（用上面嘅 yaml 內容） # nano 或 vim 都可以 # 3. 啟動容器 docker compose up -d # 4. 查看狀態 docker compose ps “`
成功啟動後，喺瀏覽器輸入 VPS 嘅 IP 加上 port（預設 5100）就見到登入界面。⚠️ **記得喺雲端控制台開返對應 port 嘅 firewall 規則**（例如 AWS Security Group、Cloudflare Tunnel、nginx reverse proxy 等），否則外部網絡訪問唔到。
使用教學：第一次生成多語語音
登入後嘅 web 界面分三個步驟：
**第一步：上傳字幕或者輸入文字**
工具支援直接上傳 SRT 或者 VTT 字幕檔，或者喺文字框直接輸入純文字。如果係上傳字幕檔案，生成出嚟嘅語音會自動對齊時間軸長度，方便後續剪輯同配音同步。
**第二步：揀選語言同音色**
語言選單列出支援嘅 75 種語言，每種語言都有幾個至幾十個唔同音色選擇。音色標籤通常會標明性別、年齡同風格（例如「男聲 – 沉穩」、「女聲 – 開朗」、「童聲」等）。揀選後可以即時試聽效果，確認音色、語速（slow / normal / fast）、音量都滿意先正式生成。
**第三步：生成並下載 MP3**
撳「開始生成」後，背景會啟動 TTS 引擎合成音頻。生成時間視乎文本長度同音色複雜程度，通常一段 1-3 分鐘嘅配音大約需要 30 秒至 2 分鐘合成時間。完成後可以即時喺 web 介面試聽同下載 MP3。
上手後嘅最佳實踐：短片多聲軌工作流
如果你嘅最終目標係上載到 YouTube 多聲軌功能（Multi-language audio tracks），以下係一個完整工作流：
1. 喺 YouTube 短片後台「字幕」分頁，原本嘅字幕預設係主要語言。撳「添加語言」選擇目標語言（例如日文、韓文），然後上傳對應語言嘅字幕檔案。
2. 喺「音訊」分頁為每種語言上傳對應嘅配音音檔。TTS Studio 生成嘅 MP3 已經自動對齊時間軸，直接上傳就得。
3. 設定「默認音軌」為你嘅主要語言版本。其餘語言會喺短片播放器嘅設定入面俾觀眾揀選切換。
⚠️ **注意**：YouTube 多聲軌功能需要短片本身通過審核先會啟用，通常上架後 24-48 小時內會自動顯示。如果唔肯定自己嘅短片有冇呢個功能，可以喺 YouTube 後台「字幕」分頁確認「添加語言」掣有冇出現。
注意事項 + 限制
**TTS 音色自然，但對特定品牌腔調唔可能 100% 還原。**如果觀眾對特定 KOL、品牌或者角色嘅聲線好熟悉，TTS 出嚟嘅合成音色雖然自然，但通常都會被認出係 AI 生成。商業品牌配音通常仲需要人手微調或者混音。
**字幕翻譯需要另外嘅工具。**TTS Studio 只負責合成語音，唔包翻譯。如果你嘅來源語言係中文，但想出英文版本嘅配音，需要先用其他工具（例如 Google Translate、DeepL、ChatGPT、Claude）翻譯字幕，再用 TTS Studio 生成英文配音。
**首次部署需要下載 200-500 MB 模型檔案。**視乎 VPS 嘅網絡速度，可能需要 5-15 分鐘。之後使用就直接用本地模型，唔需要再下載。
**預設帳號 admin / admin123 必須立即改。**工具嘅預設登入憑證係公開資訊，任何人只要知道 VPS IP 同 port 就可以登入。部署後第一件事就係改密碼，或者透過 Cloudflare Access、Tailscale 等喺前面加一層認證。
結論：自建多語配音工具，邊個最啱用？
TTS Studio 用 Docker 部署簡單，內建 322 個音色支援 75 種語言，加上字幕自動對齊、用戶認證、明暗主題等實用功能，對於想做多語版內容嘅創作者嚟講係一個高性價比嘅選擇。
**最啱用嘅用戶**：
- YouTube 創作者想出多語版頻道
- 教育 / 培訓機構要批量出多語教材
- SaaS 公司要快速整多語版產品 demo
- Podcast 主持想將單語節目擴展到多語聽眾
- 中小企要做多語客服 / 教學短片或 podcast 但預算有限
**未必啱嘅用戶**：
- 需要 100% 模仿特定 KOL / 品牌聲線嘅商業配音
- 需要支援非常規語言（例如少數民族語言、方言等）
- 完全無 IT 背景嘅用戶（Docker 部署對新手有學習曲線）
如果你嘅使用情境適合以上任何一項，TTS Studio 都值得花一個鐘部署同測試。比起商業 TTS API 嘅月費（每千字幾美元），自建成本只係一次性 VPS 月費（最平 USD $5 左右）。
