macOS 本地文本转语音（TTS）实践：从 say 命令到音质优化

在这篇博客中，我分享一次完整的实践经历：如何利用 macOS 自带工具，将一个本地的 Markdown 中文文档转换成一个 MP3 音频文件。过程不止“能跑”，还要“好听”：我们踩过 BSD sed 的兼容性坑、绕过 say 的语音名陷阱，最后用系统“优化版”语音把音质拉满。

你将获得什么

• 一个在 macOS 上完全离线的 Markdown→MP3 工作流
• 避坑清单：BSD sed 兼容性、语音名、音质升级
• 一键脚本，可复用、可改造（支持自定义语速/停顿）

先决条件

• macOS（建议 macOS 13+，但更早版本亦可）
• perl（macOS 自带）
• ffmpeg（如未安装，使用 Homebrew 安装）

# 安装 ffmpeg（如尚未安装）
brew install ffmpeg

快速开始（最小可用）

把 content.md 转成中文 MP3（假设系统已安装中文语音“Tingting”或 Premium 语音）：

# 1) 从 Markdown 提取纯文本（使用 Perl，兼容 BSD/macOS）
perl -pe 's/^#+ //; s/\*\*(.*?)\*\*/$1/g; s/\*(.*?)\*/$1/g; s/\[(.*?)\]\(.*?\)/$1/g' content.md > /tmp/text.txt

# 2) 列出可用语音并确认中文（可选）
say -v '?' | grep 'zh'

# 3) 生成 AIFF 并转 MP3（以 Tingting 为例）
say -v "Tingting" -f /tmp/text.txt -o /tmp/out.aiff
ffmpeg -y -i /tmp/out.aiff -ar 44100 -ac 2 -b:a 192k output.mp3

常见坑与解决方案

1) BSD sed 的正则兼容性

报错示例：

sed: RE error: repetition-operator operand invalid

原因：macOS 的 sed 是 BSD 版本，扩展正则（如 +、非贪婪 ?）在不同场景下行为与 GNU 有差异。

解决：使用更稳的 perl 正则处理 Markdown 到纯文本。

perl -pe 's/^#+ //; s/\*\*(.*?)\*\*/$1/g; s/\*(.*?)\*/$1/g; s/\[(.*?)\]\(.*?\)/$1/g' content.md > /tmp/text.txt

2) 中文没读出来，变成短促英文

常见原因：指定的语音名并不存在，say 回退到系统默认英文语音，最终音频很短或内容不完整。

排查：

say -v '?' | grep 'zh'

示例输出（节选）：

Tingting            zh_CN    # 你好！我叫婷婷。

注意：语音名是 Tingting（没有连字符）。拼写错为 Ting-Ting 会导致回退到英文。

3) 声音“机械”，缺少真实感

原因：部分旧版中文语音自然度有限。

解决：在系统设置中下载“优化版/Premium”语音，然后在 say 中使用该语音名。

步骤：

1. 打开“系统设置”→“辅助功能”→“朗读内容”。
2. 在“系统声音”选择“管理声音…”。
3. 找到中文条目，下载带“优化版”或带下载图标的语音。
4. 完成后再次 say -v '?' | grep zh，选用带 (Premium) 标记的高质量语音。

示例：

Yue (Premium)       zh_CN    # 你好！我叫月。

可复用的一键脚本（带清理与提示）

#!/bin/bash

# --- 配置 ---
# 从 `say -v "?"` 列表中选择一个高质量的中文语音
VOICE_NAME="Yue (Premium)"   # 或 "Tingting"，依据你的系统可用语音
INPUT_FILE="content.md"
OUTPUT_FILE="output.mp3"
TEMP_TEXT="/tmp/tts_text.txt"
TEMP_AIFF="/tmp/tts_out.aiff"
RATE=180  # 语速（可调），常见范围约 140–220


# --- 步骤 1: 提取纯文本 (Perl) ---
echo "1. 从 $INPUT_FILE 提取纯文本…"
perl -pe 's/^#+ //; s/\*\*(.*?)\*\*/$1/g; s/\*(.*?)\*/$1/g; s/\[(.*?)\]\(.*?\)/$1/g' "$INPUT_FILE" > "$TEMP_TEXT"
echo "   - 文本已保存到 $TEMP_TEXT"


# --- 步骤 2: 使用高质量语音生成 AIFF ---
echo "2. 使用语音 '$VOICE_NAME' 生成 AIFF 文件…"
say -r "$RATE" -v "$VOICE_NAME" -f "$TEMP_TEXT" -o "$TEMP_AIFF"
echo "   - AIFF 文件已保存到 $TEMP_AIFF"


# --- 步骤 3: 转换为 MP3 ---
echo "3. 使用 ffmpeg 转换为 MP3…"
ffmpeg -y -i "$TEMP_AIFF" -codec:a libmp3lame -q:a 2 "$OUTPUT_FILE" >/dev/null 2>&1
echo "   - MP3 文件已生成: $OUTPUT_FILE"


# --- 步骤 4: 清理临时文件 ---
echo "4. 清理临时文件…"
rm -f "$TEMP_TEXT" "$TEMP_AIFF"
echo "   - 清理完成。"

echo "任务成功！"

说明：上面的 MP3 转换使用 libmp3lame 并指定质量因子 -q:a 2（约等效 190–220 kbps，主观音质更稳）。如需固定码率，可用 -b:a 192k。

进阶技巧：语速与停顿更自然

• 语速：用 -r（每分钟词数）控制，例如 -r 160 更稳重、-r 200 更紧凑。
• 停顿：在文本中合适地加入逗号、句号能显著改善节奏；在个别场景可插入合成指令（如 [[slnc 250]] 表示约 250ms 静音，兼容性取决于系统语音引擎）。
• 段落：为长文分段朗读并合并音频，能更稳地控制总时长与节奏。

结论与启示

1. 工具在不同操作系统/实现上的差异不可忽视：BSD sed vs GNU sed。
2. 语音名要精确：Tingting 而不是 Ting-Ting。
3. 善用系统“隐藏宝藏”：下载 Premium/优化版 中文语音，音质直线上升。
4. 清楚工具边界：say 做 TTS；ffmpeg 做编码；正则抽取交给 perl 更稳。

把实践打磨成可复用脚本后，你可以很方便地在本地把 Markdown 文档转换为自然度更高的中文语音文件，完全离线、零成本。