文字轉語音（本機引擎）

直接在你的電腦上產生自然的語音訊息與角色語音，無需支付按字元計費的費用，也不必將音訊串流傳輸至第三方語音 API。

TomoriBot 將語音視為自訂端點功能。本機引擎作為 HTTP 伺服器在 bot 外部執行並實作 POST /synthesize；聲音複製引擎接收文字以及設定的參考音訊樣本，而具備 VoiceDesign 功能的引擎亦可接收自然語言指示。

可用引擎

Chatterbox TTS支援事件標籤的英語聲音複製。預設為 Turbo；Nano 與 Standard 為選用變體。

Qwen3-TTS具備聲音複製與 VoiceDesign 模式的多語言本機 TTS。

MOSS-TTS試用版自動端點：4B 多語言聲音複製，或以文字描述的英中語音設計。

IrodoriTTS專注日語的聲音複製與 VoiceDesign，支援使用 Unicode 表情符號標記進行情緒控制。

Fish Audio S2 Pro高品質多語言聲音複製，支援精細的括號表情控制。預設為官方 BF16 權重，並為較小 GPU 提供選用的 INT8 檢查點。

VoxCPM2支援 30 種語言的 TTS，具備語音設計、參考音訊複製、文字稿輔助的終極複製以及自然語言發音風格控制。

CosyVoice 30.5B 多語言零樣本與跨語言聲音複製，支援自然語言語氣指示。

TTS 引擎比較所有 7 種引擎的實測合成耗時、音訊範例播放器與速度比較。

設定流程

從上方卡片中選擇一個引擎，並從 servers/tts/ 設定其包裝器。
在 /providers 中，選擇 + 新增自訂端點，API 相容性選擇 tts-clone。
選取已儲存的端點，並使用其模型下拉選單新增其 Speech 模型、語音來源模式與腳本標記。
開啟 /config > 模型 > 切換模型，並在 TTS（Voice Design） 或 TTS（Voice Clone） 底下選取該端點。自動端點會同時啟用這兩個選項；清除其中一個會保留另一個。

關於託管語音供應商與個人選擇，請參閱語音：TTS 與 STT。

網路存取

每個 TTS 本機伺服器預設繫結到 127.0.0.1，因此只有同一台機器上的 bot 才能連線。當 TomoriBot 執行在 Docker 中或另一台機器上時，請為伺服器設定 TOMORI_TTS_HOST=0.0.0.0，並使用主機位址註冊端點，例如 http://host.docker.internal:8015。

每個伺服器讀取自己的連接埠變數（CHATTERBOX_PORT、QWEN3TTS_PORT、IRODORI_TTS_PORT、FISH_S2_PORT、VOXCPM2_PORT、COSYVOICE3_PORT、MOSS_TTS_PORT），因此可以從同一個 .env 同時執行多個伺服器。bun run launch 會將 .env 傳遞給其啟動的伺服器；手動啟動的伺服器僅會讀取其 shell 環境。

這些伺服器沒有身分驗證機制：任何能連線到該連接埠的人都可以在你的 GPU 上執行語音合成。請僅在受信任的網路中解除 loopback 繫結；若要公開至該網路之外，請在任何公開伺服器前方設置具備驗證功能的反向代理。

人格語音

對於聲音複製，請在 /config > 模型 > TTS 參數與語音底下上傳乾淨的單一講者樣本，接著在人格 > 語音底下指派它。請查看引擎指南以了解建議的音訊長度與文字稿要求。

TomoriBot 接受最長 130 秒的樣本，並將其轉換為單聲道 WAV。預設上傳大小限制為 10 MB；可透過 SPEECH_SAMPLE_MAX_MB 調整。FLAC 等壓縮格式有助於容納較長的片段。

對於支援語音設計的引擎，請在人格 > 語音底下儲存語音描述。一個人格可以同時擁有描述與樣本；語音來源優先順序會決定先嘗試哪一個可用來源。支援的模式與腳本標記請參閱各引擎指南。

在 /config > 權限底下啟用語音訊息，接著請人格發送一則語音訊息，或使用 /generate voice-message 進行測試。