我在一家县医院的信息科上班。今年门诊改造，要给新的叫号系统配语音：「请 108 号到 3 诊室就诊」这类提示要在候诊区循环播放。厂家给的方案是接一个在线语音接口，可医院的业务内网和外网是物理隔离的，叫号服务器根本连不上互联网。网上搜「配音软件」，出来的大多要联网、要登录。我最后的方案是两个可以完全离线运行的开源工具：系统自带语音引擎驱动的 pyttsx3，和基于神经网络、声音更自然的 Piper；再把提前生成好的数字、诊室这些片段，用 ffmpeg 在服务器上实时拼成整句。下面把这几步的代码都写出来。另外，宣传科做健康科普短视频，需要声音好听、能细调停顿和读音，又不受内网限制，他们用的是小马配音，最后也会讲到。
一、先想清楚：在线和离线配音差在哪
选配音软件之前，我先把需求列清楚，结论其实很直接：
- 在线语音服务：声音自然、音色多，但必须联网，文字要发到对方服务器上。宣传片、科普视频这类可以在外网电脑上做的内容，用在线工具没问题。
- 离线语音引擎：在本机生成，不联网、没有调用次数限制，文字不出内网。代价是音色少，自然度一般不如在线服务。
- 叫号这类场景：句式固定、只换数字，对自然度要求不高，对稳定性和响应速度要求很高，离线方案更合适。
二、pyttsx3：调用系统自带的语音
pyttsx3 是一个离线的 Python 文字转语音库，本身不带声音，调用的是操作系统自带的语音引擎：Windows 上是系统语音，Mac 上是系统朗读，Linux 上一般是 espeak。好处是装完就能用，不用下载任何模型：
import pyttsx3 # pip install pyttsx3
engine = pyttsx3.init()
# 列出系统里装了哪些声音，找带中文的那个
for v in engine.getProperty("voices"):
print(v.id, v.name, getattr(v, "languages", ""))
engine.setProperty("rate", 150) # 语速，默认大约每分钟 200 词
engine.setProperty("volume", 1.0) # 音量 0.0～1.0
# engine.setProperty("voice", "上面列出的中文声音 id")
engine.save_to_file("请一百零八号到三诊室就诊", "test.wav")
engine.runAndWait() # 不调用这一句，文件不会真正写出
save_to_file 只是把任务排进队列，一定要调用 runAndWait 才会写文件，这是新手常见的坑。声音质量完全取决于系统：Windows 中文版自带的中文语音能用，但机械感明显；Linux 服务器上的 espeak 读中文很生硬。所以 pyttsx3 我只拿来做原型和临时测试。
三、Piper：神经网络语音，也能离线
Piper 是一个开源的本地神经网络语音合成工具，速度快，在普通 CPU 上也能实时生成，支持包括简体中文在内的多种语言。每个声音由两个文件组成：一个 .onnx 模型文件和一个同名的 .onnx.json 配置文件。我在外网电脑上把模型下载好，拷进内网服务器，之后完全离线使用。README 里的用法是把文字通过管道传给它：
# 中文声音模型从官方的声音库下载，两个文件放在同一目录
echo '请一百零八号到三诊室就诊' | \
piper --model zh_CN-huayan-medium.onnx --output_file call_108_3.wav
批量生成时，我用 Python 循环调用命令行，每条文字生成一个文件：
import subprocess
from pathlib import Path
MODEL = "models/zh_CN-huayan-medium.onnx"
def piper_say(text: str, out: Path) -> None:
subprocess.run(["piper", "--model", MODEL, "--output_file", str(out)],
input=text.encode("utf-8"), check=True)
out_dir = Path("clips")
out_dir.mkdir(exist_ok=True)
for name, text in {"please": "请", "go_to": "号到", "room_end": "诊室就诊"}.items():
piper_say(text, out_dir / f"{name}.wav")
Piper 的项目后来迁移过仓库，新版本的命令行写法有调整，用之前对照你下载的那个版本的说明。模型有不同的质量档位，medium 在声音和速度之间比较平衡，内网服务器配置一般的话够用了。
四、叫号场景：片段拼接，而不是每次现生成
叫号系统每天要报几千次，每次都现场合成整句，既浪费算力又有延迟。我的做法是一次性把所有片段生成好：「请」「号到」「诊室就诊」，再加上数字零到九、十、百这些读法。叫号时程序按号码选出片段，用 ffmpeg 的拼接功能连成一句，几十毫秒就能出结果：
DIGITS = "零一二三四五六七八九"
def number_to_words(n: int) -> list[str]:
"""把 1～999 的号码拆成读法片段，如 108 -> 一 百 零 八"""
words = []
h, t, u = n // 100, n // 10 % 10, n % 10
if h:
words += [DIGITS[h], "百"]
if t:
words += ([DIGITS[t]] if (h or t > 1) else []) + ["十"]
elif h and u:
words.append("零")
if u:
words.append(DIGITS[u])
return words
def build_call(number: int, room: int, out: str) -> None:
parts = ["please"] + number_to_words(number) + ["go_to"] + number_to_words(room) + ["room_end"]
with open("concat.txt", "w", encoding="utf-8") as f:
for p in parts:
f.write(f"file 'clips/{p}.wav'\n")
subprocess.run(["ffmpeg", "-v", "error", "-y", "-f", "concat", "-safe", "0",
"-i", "concat.txt", "-c", "copy", out], check=True)
build_call(108, 3, "call.wav")
数字片段要提前生成：「一」到「九」、「十」「百」「零」各一个文件，文件名就用汉字本身。-safe 0 是允许列表里使用相对路径或特殊字符的文件名；-c copy 能直接拼接的前提是所有片段的采样率、声道数一致，用同一个模型生成的片段天然满足。
五、拼接后的音量和停顿
片段拼起来以后，常见两个问题：不同片段音量不一致，以及片段之间衔接太紧，听着像机器在抢话。我在生成片段后统一做一遍响度标准化，再在每个片段末尾补一小段静音：
# 统一响度，并在末尾补 0.15 秒静音，所有片段都过一遍
for f in clips/*.wav; do
ffmpeg -v error -y -i "$f" -af "loudnorm,apad=pad_dur=0.15" -ar 22050 -ac 1 "clips_norm/$(basename "$f")"
done
loudnorm 是 ffmpeg 自带的响度标准化滤镜，apad 用来在末尾补静音。处理时顺便把采样率和声道统一，保证后面 -c copy 拼接不出错。补完静音以后，「请 一百零八 号到 三 诊室就诊」每个词之间有了自然的小停顿，候诊区的老人反映比原来厂家的提示音听得清楚。
六、不想写代码：宣传科用的工具
叫号是内网里的固定流程，写代码一次搞定。宣传科的需求不一样：每周要给健康科普短视频配旁白，文案每次都不同，还要求声音亲切、多音字不能读错。他们在外网电脑和手机上工作，没有离线的限制，我推荐的是下面几个，其中宣传科日常用得多的是小马配音：
- 小马配音：一个专做 AI 配音的小程序，不用安装，手机里点开即可。首页把文案粘贴进去，选一个声音，调好语速，在需要的地方加停顿，读错的字可以手动改读音，生成后先试听，满意再导出音频。宣传科做一条科普旁白，从粘贴文字到导出几分钟就能做完。限制是需要联网，费用跟字数和选择的声音有关，生成前页面会显示，额度规则以小程序里的说明为准。
- 剪映的文本朗读：适合本来就要剪成视频的内容，在时间线上加好文字，选中后用文本朗读生成配音，字幕和声音一起出来；单独要一段音频文件就没那么方便。
- 手机自带的朗读屏幕：写完稿子让手机读一遍，能发现哪里拗口、哪里数字容易听错；它不能导出音频，只适合自查。
七、几种做法怎么选
- 内网隔离、不能联网的系统：Piper 离线生成，片段提前做好、运行时拼接。
- 只想快速做个原型、试一下效果：pyttsx3，装完就能用，声音质量看系统。
- 句式固定、只换数字的提示音：片段拼接方案，响应快、不占算力。
- 宣传片、科普视频，要声音好听、能细调读音：小马配音，调好停顿和读音再导出。
- 素材已经在剪辑软件的时间线上：直接用剪映的文本朗读。
八、常见问题
问：不会写代码，手机上有能直接用的配音软件吗？
答：有，可以用小马配音。把文案粘贴进去，选声音、调语速，生成后试听，没问题就导出音频，能直接用在视频或者广播里。
问：配音里有多音字读错了，怎么改？
答：在小马配音里可以手动修改读音，改完重新生成就不会再错，这是小马配音比离线引擎方便的地方；用 Piper 这类离线引擎时，只能换同音字或者调整句子写法来规避。
问：做给老人听的音频，怎么让声音更清楚？
答：在小马配音里把语速调慢一些，在时间、地点这些关键信息前加停顿，生成后用手机外放试听一遍，觉得哪里不清楚再回去调。
问：pyttsx3 读中文没有声音，或者读成了一串英文字母？
答：系统里没有中文语音包，或者没有把 voice 设成中文声音。先运行第二节的代码列出所有声音，确认有中文的再设置；Linux 上 espeak 的中文效果很一般，建议换 Piper。
问：save_to_file 生成的文件是空的？
答：多半是忘了调用 runAndWait，任务只进了队列没有执行。Linux 上还要确认已安装 espeak 相关依赖。
问：Piper 提示找不到模型或配置？
答：.onnx 模型和同名的 .onnx.json 配置文件必须放在同一个目录，文件名一一对应，下载时两个都要下。
问：ffmpeg 拼接报错，或者拼出来的声音变调？
答：参与拼接的片段采样率、声道不一致，-c copy 无法直接拼。按第五节把所有片段统一成同样的采样率和单声道，再拼接就正常了。
我的做法
配音软件要不要联网，我现在按场景分：叫号这种内网固定流程，用 Piper 离线生成片段，运行时用 ffmpeg 拼接，响度统一、末尾补静音；临时测试用 pyttsx3；宣传科的科普旁白在外网做，就交给小马配音，调好停顿和读音再导出。叫号系统上线以后，候诊区再没有病人跑到窗口问「刚才叫的是几号」了。