我做了一个 Mac 上的 TTS 工具

我做了一个 Mac 上的 TTS 工具。起因很简单：做完剧后书 APP 之后，需要一个听书功能。

翻了一圈，结果挺让人失望的。

iOS 上能用的 TTS 方案，要么要付费，要么音质跟机器人一样。装本地 TTS 模型的方案也试过——音质是好了，但你得配推理引擎，得有 N 卡做语音推理。手机上没有 N 卡，就算做成服务端方案，光是 GPU 服务器的月费就够买几百本有声书了。

然后我突然想起来一件事。

我的 MacBook 上不是有个 Siri 吗？那个朗读声音挺好的。

顺着这个念头去看了下 macOS 的语音系统——还真有。系统自带了大量高质量语音，中文的、英文的、日文的，而且关键是：它不需要本地推理引擎，不用 GPU，纯 CPU 就能跑出很自然的语音。

这不就解决了吗？不用付费，不用 GPU，就在那儿等着，只是没人把它包成一个可以直接接管道用的命令行工具而已。

所以我写了一个。

叫 tts_pipe，一个不到 50KB 的 Swift 二进制文件，做的事很简单：读文本，调 macOS 的 AVSpeechSynthesizer 合成语音，PCM 音频直接往 stdout 里写。不经过硬盘，不写临时文件，纯粹的 Unix 管道过滤器。

用法大概是这样：

echo "早，今天继续听书" | ./tts_pipe --stdin com.apple.voice.premium.zh-CN.Yun 0.5 | ffplay -f s16be -ar 22050 -ac 1 pipe:0 -

Yun 这个语音就是 Siri 用的那个——你下载一次免费的 Premium Voice，系统就用它来完成语音输出。不需要你去搞什么 Triton Server、vLLM、HuggingFace 模型仓库。

macOS 的 Premium 语音是 Apple 几十年的语音合成研发成果，中文有云、悦、涵、莉莉、丽莲，英文有 Samantha、Alex、Ava，日文有 Kyoko，德文、法文、韩文也有，质量超过一群开源的本地 TTS 方案。而且因为不涉及模型推理，延迟极低，功耗极低，开一整天也不发烫。

Mac 之外这几个语音其实谁都接触过——Siri 说的就是这些声音。你只是没想过原来可以这样把它从苹果的壳里拆出来，装进自己的应用里。

后来想既然 TTS 做了，不如把 STT（语音转文字）也加上。macOS 同样有本地的 SFSpeechRecognizer，用它的 Neural Engine 做推理，不上传、无 API Key、不计费。写了 stt_pipe，接上 sox 就能录音转文字。

一套下来总共就两个微小的可执行文件——TTS 大概 48K，STT 大概 44K。Python 也能调，Node 也能调，Dart Flutter 上接着用当然更没问题，因为本来就是给 APP 做的。

这也是为什么我把整个方案开源成了 macOS Voice Toolkit。不是为了做一个「最好的 TTS」，而是发现系统里已经有了足够好的——它不需要 GPU、不需要付费、不需要联网、音质还不差。你只需要把它接出来。

说来也有点讽刺。我们找了一圈的 API、SaaS、推理服务，最后答案就躺在系统设置里——辅助功能——语音内容——管理语音。好像很多东西都是这样：最好的方案，往往不是最新的，而是最被忽略的。

开源地址：https://github.com/rrlab-tech/mac-tts

万一你的 APP 也需要一个听书功能，或者你只是想有个能朗读 Markdown、PDF、代码注释的命令行工具——试试看。