Sapi Tts

核心用法

sapi-tts 是一款基于 Windows 内置 SAPI5 语音引擎的轻量化文本转语音工具，通过 PowerShell 脚本实现零配置调用。用户只需执行 \tts.ps1 "文本内容" 即可生成 WAV 音频文件，无需安装任何第三方 TTS 引擎或依赖 GPU 加速。

该工具支持多参数精细化控制：-Language 自动匹配语言区域设置（内置 fr/en/de/es/it 等映射），-VoiceName 允许部分匹配语音名称，-Rate 调节语速（-10 至 +10），-Output 指定输出路径。核心亮点在于 Select-BestVoice 函数的智能优先级策略：优先匹配指定名称 → 同区域 Neural 语音 → 同区域任意语音 → 任意 Neural 语音 → 首个可用语音，确保最佳音质体验。

显著优点

• 零资源开销：纯 CPU 运算，无 GPU 依赖，适合低配置设备或长文本批量生成
• 即时响应：本地合成延迟低于 1 秒，远快于云端 TTS API
• 智能适配：自动识别 Windows 10/11 的 Neural 语音（Win11 原生支持，Win10 可通过 NaturalVoiceSAPIAdapter 扩展）
• 无缝集成：输出路径自动写入 .openclaw/workspace/tts 目录，便于下游工作流调用
• 隐私安全：文本完全本地处理，无网络传输风险

潜在局限

• 平台锁定：仅限 Windows 10/11，跨平台兼容性为零
• 语音质量天花板：即便 Neural 语音，情感表达与自然度仍落后于 Azure AI Speech、ElevenLabs 等云端方案
• 语言覆盖有限：依赖系统预装语音包，小语种支持不足
• 无流式输出：必须等待完整 WAV 生成，无法实时播放长文本
• 格式单一：仅输出 WAV，需额外转码为 MP3/OGG

适合人群

• 需要离线、隐私优先 TTS 的开发者与内容创作者
• 配置有限、无法运行 GPU 密集型 TTS 模型的用户
• 追求快速原型验证，对音质要求不极致的场景（通知播报、辅助阅读、测试数据生成）
• 已深度使用 Windows 生态，熟悉 PowerShell 的技术用户

常规风险

• 依赖系统组件：若 Windows Speech 功能被精简或损坏，工具完全失效
• 语音包管理混乱：第三方 NaturalVoiceSAPIAdapter 可能引入不稳定的非官方语音源
• 速率调节失真：极端 -Rate 值可能导致语音机械感增强
• 路径权限问题：自动创建目录需用户配置文件写入权限，受限环境可能失败

核心用法

sapi-tts 是一款基于 Windows 内置 SAPI5 引擎的轻量级语音合成脚本，无需安装额外运行时或 GPU 驱动。用户通过 PowerShell 执行 tts.ps1，传入文本即可生成 WAV 音频文件。脚本支持多参数控制：-Text 指定合成内容，-Language 自动匹配语言环境（fr/en/de/es/it 等），-VoiceName 指定特定发音人，-Rate 调节语速（-10 至 +10），-Output 自定义输出路径。运行 -ListVoices 可枚举系统已安装的所有语音，包括 Win11 内置的 Neural 语音与 Win10 传统语音。

脚本内置智能选音逻辑：优先匹配 Neural 语音，其次按语言代码筛选，最终回退至任意可用语音。输出默认保存至用户目录下的 .openclaw/workspace/tts/ 路径，文件名带时间戳。

显著优点

• 零硬件门槛：纯 CPU 运算，无需 NVIDIA/AMD GPU，老旧设备亦可流畅运行
• 即时响应：本地合成无网络延迟，<1 秒完成生成
• 系统集成：直接调用 Windows 原生 System.Speech 命名空间，稳定性与兼容性经过微软长期验证
• 多语言支持：内置法语、英语、德语、西班牙语、意大利语等常见语言映射，支持扩展
• 音质可选：Win11 内置 Neural 语音音质接近真人，通过 NaturalVoiceSAPIAdapter 可扩展更多 Neural 发音人

潜在缺点与局限性

• 平台锁定：仅适用于 Windows 10/11，Linux/macOS 用户无法使用
• 语音依赖系统：可用音质与数量完全取决于 Windows 系统安装的语言包，默认配置下非英语语音选择有限
• 格式单一：仅输出 WAV 无损格式，文件体积较大，无 MP3/OGG 压缩选项
• 无流式输出：必须等待完整文件生成后才能播放，不适合实时交互场景
• 扩展性受限：PowerShell 脚本形式难以嵌入复杂应用流程，更适合命令行快速调用

适合人群

• 需要快速生成法语、英语等欧语系语音内容的开发者与内容创作者
• 硬件资源受限、无法运行 GPU 密集型 TTS（如 Coqui TTS、PaddleSpeech）的用户
• 追求极简部署、拒绝 Docker/Conda 复杂环境的 Windows 用户
• 需要将 TTS 集成至自动化脚本或批处理工作流的系统管理员

常规风险

• 音频文件管理：默认输出路径位于用户目录，长期运行可能累积大量 WAV 文件，需定期清理
• Neural 语音可用性：Win10 默认无 Neural 语音，需手动安装适配器与语音包，操作门槛对非技术用户较高
• PowerShell 执行策略：企业环境可能限制 .ps1 脚本执行，需调整 ExecutionPolicy 或使用签名脚本
• 无沙箱隔离：脚本直接访问系统语音 API 与文件系统，虽无恶意行为，但建议审查代码后再运行