Verbify-TTS

让AI为你朗读屏幕上的任何文字——Verbify-TTS 深度解析

图1：Verbify-TTS 项目 Logo

痛点场景：眼睛累了，让耳朵来接手

深夜研读一篇 50 页的英文论文，密密麻麻的 PDF 让人眼酸不已。你会不会想：要是有人能把这些文字念给我听就好了？盲人用户、无障碍需求者、 multitasking 重度用户都有同样的诉求。传统 TTS 引擎机械生硬，读出来的英文满是机器腔；商用语音服务要么按次收费，要么需要复杂 API 注册。MattePalte/Verbify-TTS 正是为解决这个痛点而生——它能把屏幕上任何选中的文字，用 AI 生成的高自然度语音朗读出来，完全免费、无需注册、离机运行。

背景故事：一个人对抗"机械腔"的执念

Verbify-TTS 由独立开发者 Matteo Paltenghi 创建，GitHub 主页显示其头像与项目同名。项目创立于 2022 年 7 月，至今已获得 137 Stars、16 Forks，23 个 open issues 说明社区参与度不低。README 中特别提到"不注册、不订阅、不追踪"——在 AI 服务普遍走向订阅制的时代，这种隐私优先的设计理念本身就是一种差异化竞争。

核心架构：FastSpeech2 + MelGAN 的端到端语音合成

从 server.py 的源码结构来看，Verbify-TTS 的技术栈非常清晰：

# 核心模型加载
from tensorflow_tts.inference import TFAutoModel
fastspeech2 = TFAutoModel.from_pretrained("tensorspeech/tts-fastspeech2-ljspeech-en")
mb_melgan = TFAutoModel.from_pretrained("tensorspeech/tts-mb_melgan-ljspeech-en")
processor = AutoProcessor.from_pretrained("tensorspeech/tts-fastspeech2-ljspeech-en")

这意味着整个 TTS 管道分为两阶段：

1. FastSpeech2（文本→梅尔频谱图）：FastSpeech2 是微软 & 浙江大学 2020 年提出的非自回归 TTS 模型，相比 WaveNet 等自回归模型，推理速度快 10 倍以上。它将文本转为频谱图特征，同时支持语速控制（speed 参数）。

2. MB-MelGAN（梅尔频谱图→音频波形）：Multi-Band MelGAN 是高通 2020 年提出的轻量级声码器，比 Real-Time VGAE 快 6 倍，在 CPU 上也能实时合成。生成的音频通过 pygame.mixer 播放。

整个推理链路：文本输入 → idioms 替换 → 缩写拆分 → FastSpeech2 → MelGAN → pygame 播放，全部在本地运行，音频数据从不离开用户设备。

实用功能：不止朗读

上手门槛：GPU 是硬性要求

这是 Verbify-TTS 最大的限制。requirements.txt 显示依赖包含 tensorflow-gpu==2.6.0，FastSpeech2 和 MelGAN 模型推理完全依赖 GPU 加速。官方安装脚本（INSTALL_LINUX.sh）提供了虚拟环境 + pip 安装的完整流程，但没有提供 Docker 化部署，GPU 环境需要用户自行配置 CUDA/cuDNN。

安装步骤简述：

1. 安装 Python 3.8+
2. 克隆仓库
3. 运行 INSTALL_LINUX.sh（自动创建虚拟环境并安装依赖）
4. 修改 configuration/config.yaml 配置语速和端口
5. 启动 python3 server.py，Flask API 监听 5069 端口

对于没有 NVIDIA GPU 的用户，这个项目实际上无法运行——CPU 模式下 FastSpeech2 推理会极慢（单句可能需要几十秒），官方也未提供任何云端 API 调用方式。

局限与争议

1. 仅支持英文：模型 tensorspeech/tts-fastspeech2-ljspeech-en 专门在 LJ Speech 数据集上训练，对中文、日文等其他语言支持为零。
2. GPU 依赖过重：tensorflow-gpu==2.6.0 版本较旧（发布于 2021 年），与新版 CUDA 存在兼容性问题。
3. 非实时交互：朗读逻辑基于"复制文本→触发朗读"的批处理模式，无法实现实时语音对话。
4. 维护状态存疑：项目最近更新为 2025 年 4 月，但 TensorFlow 2.6 + Python 3.8 组合已显老旧，长期无人维护风险较高。

行业意义

Verbify-TTS 代表了一种端侧 AI 语音合成的趋势——在本地运行、无需网络、保护隐私。与 Coqui TTS、ESPnet 等学术框架相比，Verbify-TTS 的优势在于开箱即用的"屏幕文字→语音"场景封装，而非通用 TTS 工具箱。对于需要无障碍辅助、专注模式阅读（focus reading）、或者想让论文自动朗读给眼睛放假的研究者，它是一个值得一试的轻量方案。

分析时间：2026-07-30 | 技术栈：TensorFlow 2.6 / FastSpeech2 / MB-MelGAN / Flask 2.0 | 许可：MIT