会先把书面语改成口语再朗读的 TTS

我们做这个功能，起因只是一位用户发来的一封邮件。下面是它要解决的问题，以及五段比任何规格表都更有说服力的音频。

一切始于一篇原本没打算写的教程

ListenHub 于 2025 年 5 月上线后几周内，注册用户就超过了 10,000 人。

其中最让我难忘的是一位年长的先生。他在网上发现了 ListenHub，却不知道该怎么用，于是发邮件询问我们有没有教程。

我的第一反应是：教程？ListenHub 还需要教程？它明明这么简单。

这正是我学到的一课。对于每天都在构建 AI 产品的人来说显而易见的东西，对其他人而言仍然可能真的很难。

于是我回复他说——“我们现在还没有，但我马上写”——然后打开 Notion，写下了我这辈子最直白的一篇教程。

那份初稿后来成为我们至今仍在发布的指南：ListenHub 101。

在随后往来的邮件中，我才知道自己是在为怎样的人写这篇教程。

1957 年，Bill Vick 在美国海军陆战队担任 Force Recon Pathfinder。2025 年他写信给我们时，已经接近九十岁，并在另一条战线上坚持着：多年的特发性肺纤维化和四次中风夺走了他说话的能力。

但他身上的海军陆战队精神没有停下。他创办了 PF Warriors——一个面向该疾病患者的全球互助社区——如今把 ListenHub 当作自己的声音，生成音频与社区分享，帮助经历同样困境的人。

说到底，这就是全部工作：做真正能帮助具体的人使用的东西。

播客是一种让人听见你的方式，却不是唯一方式。因此，我们开始构建一款通用 AI 语音：它既能主持节目，也能讲解论文、发表演讲或朗读小说。它现在就是 ListenHub 文字转语音。

书面语言与口头语言不是一回事

一个合理的问题是：市面上已经有很多文字转语音服务，为什么还要再做一个？

因为读起来流畅的文字，念出来往往很糟；而自然的口语，写在页面上又很少显得合适。学术论文、新闻报道、聊天机器人回答——这些内容全都是为“阅读”而设计的。

多数 TTS 工具会逐字照读你的文本。这就像做演示时把幻灯片上的每个字原样念出来。技术上确实覆盖了材料，但没人能跟得上。

ListenHub TTS 增加了所有人都会跳过的一步：先把书面文本改写成口语，再进行朗读。含义不变，但结构从服务眼睛改为服务耳朵。你也可以关闭改写，得到逐字朗读；对于合同或免责声明，这反而正是你需要的。

这听起来很抽象。不如直接让耳朵来判断。

案例 1：让提纲不再像提纲

AI 工具很喜欢 Markdown。标题、项目符号、嵌套列表——放在屏幕上很有用，变成音频却很机械。

这是测试文本：

# Product Launch Core Outline

## Problem Background
- Spoken and written language are two different forms of expression
- Written text isn't always suitable for audio delivery
- Spoken words aren't always suitable for writing
- Papers, news, AI answers are designed for reading, not speaking

## Market Status
- Existing TTS services only read text literally
- Being "readable" doesn't make it "speakable"
- Lacks a conversion layer from written to spoken language

僵硬、机械，如果不同时看着文本，几乎很难跟上。现在开启改写，使用同一份源文本：

标题变成了过渡句，项目符号变成了完整句子。闭着眼睛也能听懂。

案例 2：一篇真正听得下去的研究论文

论文有意写得信息密集。逐字念出来，几乎无法收听。

我们把《Attention Is All You Need》的开头分别用两种方式处理了一遍。

每位作者的名字、每个机构、每个引用标记，全都按顺序读出。现在开启改写：

听起来像一位读过论文的朋友正在带你理解它。准确，而且不用反复倒回去重听。

人们还会用它做什么

用你自己的克隆声音讲睡前故事。把一份幻灯片变成配套演讲。讲单口喜剧。制作 ASMR：

搭配你自己的声音

再加上声音克隆，输出的就是你的声音，而不是库里的通用声音。朗读小说、讲解论文、录制播客开场、为短视频配旁白——全都不必真的录音。

每个付费方案都包含克隆：Basic 可用一个声音，Pro 可用四个，Max 可用二十个。当前详情请查看价格；如果更愿意直接用现成声音，也可以浏览公开声音目录。

它为什么有效

主要由三点发挥作用：

1. 理解上下文。 模型会先理解含义，再开口朗读，因此能判断一段话究竟在说什么，以及听众通常会如何表达它。
2. 多模态输入。 不只处理纯文本，也能处理图片和 PDF 文档。
3. 智能删减。 广告、代码块、导航杂项和零散字符会被去掉，而不是被念出来。

它还支持流式生成：其余音频仍在生成时就会开始播放，因此你不必盯着进度条等待。

这一切既来自产品和工程团队在构建 ListenHub 过程中积累的经验，也来自大量毫不客气的用户反馈。谢谢你们。

适合谁使用

• 内容创作者：无需安排录音，就能把文章和知识库变成音频。
• 有声书听众：希望旁白听起来更有生命力。
• 企业团队：制作培训材料、产品演示和公告。
• 开发者：为需要或更偏爱音频的读者添加内容的音频版本。
• 教育工作者：把讲义、教材和论文转成学生真正能听完的内容。

试试看

它可以直接在浏览器中的文字转语音使用——粘贴文本、放入链接或上传文件，然后点击生成。ListenHub 的 iOS 和 Android 应用中也有这个功能。

想基于它继续开发？同一套声音也通过我们的 API 提供，包括 MCP 和 Agent Skills 集成。可以从 API 文档开始。

如果你想要的是两位主持人的节目，而不是单人旁白，那就是 AI 播客——它仍然是把一条链接最快变成值得收听内容的方式。