VoiceCraft免费AI语音工具：文字转语音+语音转文字，微软音色免注册

给视频配个旁白、把一段访谈录音转成文字，这两件事单拎出来都不难，难的是找一个不要钱、不用注册、打开网页就能干活的工具。VoiceCraft 就是干这个的：一个免费的在线语音处理平台，文字转语音和语音转文字都做，中文音色有二十多种，生成的 MP3 直接下载、没有水印。它背后没有公司，是个人开发者做的开源项目，跑在 Cloudflare Workers 上——这个出身决定了它的很多特点，好的坏的都有，下面挨个讲。

先分清：这是哪个 VoiceCraft

叫 VoiceCraft 的项目不止一个，搜索的时候很容易串。学术圈有一个同名的开源项目，做的是语音编辑和零样本声音克隆，需要自己配环境跑模型，面向的是研究者和开发者。本文说的不是它，而是网址为 tts.wangwangit.com 的在线平台——开发者 ID 是 wangwangit，代码在 GitHub 上开源（MIT 协议，截至2026年7月有六百多个 star），普通用户打开网页就能用，不需要碰任何代码。如果你是想找”输入文字出语音、上传录音出文字”的现成工具，看下去；如果你要的是声音克隆，这里没有。

文字转语音：微软音色，参数给得很足

先说合成这一半，也是这个工具的主打。它的语音引擎用的是微软 Edge TTS——就是 Edge 浏览器”大声朗读”功能背后那套语音，所以你听到的晓晓、云希、云扬这些音色，和微软官方的一模一样，自然度在免费工具里算第一梯队，比老式电子腔好出一大截。

图：VoiceCraft 网页界面，音色、语速、音调、风格都在一屏里选（来源：GitHub 项目主页截图）

音色的选择面不小：中文二十多种男女声，英文覆盖美音、英音、澳音，另外还有日语、韩语、法语、德语、西班牙语、俄语，全部加起来九十多个音色。做中文口播视频够用，偶尔要配一段英文或日文的内容也不用换工具。

参数这块给得比很多同类免费站慷慨：

语速从 0.25 倍到 3 倍连续可调，做听书类内容可以放慢，做快节奏解说可以提速；
音调能在正负 50Hz 范围里微调，同一个音色调一调就能听出差别；
语音风格有十来种，通用、助手、客服、新闻播报这类，同一句话换个风格，断句和语气都会变。

输入方式也有三种：直接在文本框里打字，上传 TXT 文件（上限 500KB，纯文本 500KB 差不多是二十多万字，一般文章根本用不完），或者用 SSML 标记。单次合成大约能处理一万字左右的文本，一章小说、一篇长文一次就能出完。生成之后先在线试听，满意了点下载，拿到的是无水印 MP3。

想抠细节的话，还有 SSML 模式

普通模式的语速音调是全局生效的，整段话统一一个节奏。如果你想控制到句子级别——比如某个词要重读、某处要停顿两秒、某一句换个情感——就得用 SSML 模式。SSML 是一套给语音合成用的标记语言，写法有点像 HTML，VoiceCraft 会把你写的标记原样传给微软的合成接口，停顿、重音、语速、音调、情感这些都能逐句指定。

客观讲这个模式有门槛，得先学标记怎么写，普通用户配个视频旁白用不上。但对做有声内容比较认真的人来说，这是免费工具里少见的能力——很多在线 TTS 站根本不开放 SSML 入口。

语音转文字：转写那一半

反方向的功能是上传音频出文字。支持的格式很杂——mp3、wav、m4a、flac、aac、ogg、webm、amr、3gp 都收，连微信语音导出来的 amr 都能直接扔进去，单个文件上限 10MB。按常见的 128kbps 的 MP3 算，10MB 大概是十分钟出头的录音，短会议、访谈片段、语音备忘录这类刚好，两小时的完整会议录音就得先切段。

识别引擎用的是硅基流动平台上的 SenseVoiceSmall 模型（阿里通义实验室开源的语音识别模型），对中文和英文的识别效果都不错。转写结果出来后可以直接在页面上编辑，改完再复制走。平台默认带了一个可用的接口配置，你也可以填自己的硅基流动 Token——如果默认额度不稳定或者你转写量大，用自己的 Token 会更可靠。

需要提醒的是，转写的准确率和录音质量强相关：安静环境的单人口播基本能直接用，嘈杂环境、多人抢话的录音出来的文本就得花时间校对——这是所有语音识别工具的通病，不是它一家的问题。

图：VoiceCraft 两个方向的能力一览，合成靠微软音色、识别靠 SenseVoiceSmall

完全免费是怎么做到的，以及代价

VoiceCraft 不要钱、不用注册、没有会员体系，页面上只有一个微信赞赏入口，给不给随意。它能免费的原因不神秘：TTS 走的是微软 Edge 浏览器的公开语音接口，STT 靠硅基流动的 API，网站本身跑在 Cloudflare Workers 的免费额度上，开发者自己几乎不产生成本。

但这个模式的另一面也要说清楚。第一，服务的存续依赖微软接口保持开放——历史上这类”借道”Edge TTS 的免费服务，遇到过微软调整接口导致集体失灵的情况，哪天不能用了也不奇怪。第二，音色的版权归微软，把生成的语音用在商业项目里，授权状态是模糊的，接商单配音这种用途建议想清楚再用。第三，个人项目没有 SLA，高峰期偶尔抽风、没有客服可找，都是预期之内的事。

好在项目是 MIT 协议开源的，真把它当生产力工具用的人可以自己部署一份：代码就是一个 Cloudflare Workers 应用，仓库里有一键部署按钮，有免费的 Cloudflare 账号就能跑起来，不依赖开发者的那台”公共实例”。

上手过程

没什么可教的，流程就三步：

打开 tts.wangwangit.com，顶部切换”文字转语音”或”语音转文字”模式；
转语音就贴文字、挑音色、拖语速音调滑块，点生成后在线试听；转文字就把音频文件拖进上传区等结果；
满意了下载 MP3 或复制文本，不满意换个音色、调下参数重新生成——免费的，试错没有成本。

页面是响应式的，手机浏览器打开也能正常用，临时要配一段语音不用非得坐到电脑前。

和同类工具怎么选

免费在线 TTS 这个赛道其实不缺产品，选哪个主要看需求的档位。和 VoiceCraft 定位最接近的是 TTSMaker，同样免费、同样主打网页版文字转语音，两个都试试挑顺手的就行。如果你的要求是”声音像真人到听不出来”甚至要克隆特定人声，那免费档满足不了，得看 ElevenLabs 这类付费产品——效果确实是另一个级别，但按字符计费。转写方向如果是长时间的英文会议，专门做会议记录的 Otter 更合适，它能实时转写还能区分说话人，VoiceCraft 的 10MB 上限干不了这种活。

而 VoiceCraft 的位置很明确：中文场景、轻量需求、零成本。做短视频的人配完音，把 MP3 导进剪映对上画面，一条口播视频的音频部分就齐了——这条流水线一分钱不用花。