edgeTTS

edgeTTS 是开源独立项目，封装微软Edge在线语音服务，提供可自托管API与Web可视化工作台，实现MP3流式语音合成、音色检索，单请求最高支持20000 Unicode码点长文本。

⚠️重要声明：edgeTTS仅为第三方封装工具，不是离线TTS引擎，依赖微软官方Edge TTS云端能力；项目与微软无任何商业关联，没有微软官方背书。合成文本会经过TLS加密上传至微软服务；项目本身不会持久保存文本与音频，但无法控制微软侧的数据处理策略。仅TXT导入读取在本地完成，点击合成才提交文本。

核心特性

1. 两套语音API

• /v1/audio/speech：兼容OpenAI语音接口子集，直接使用Edge音色ID，输出MP3；上限4096 UTF-16码元
• /api/speech：原生长文本接口，支持调节语速、音调、音量，上限20000 Unicode码点；两种接口都会按最多300码点自动分段，串行调用上游服务，自动跳过空白片段，保护Unicode字符完整性。

2. 并发控制
   固定并发：最多4路活跃合成流，16个FIFO排队槽位；长文本任务在整个合成周期占用一个并发许可。
3. Web工作台
   内置前端界面，支持4种界面语言、音色检索收藏、本地TXT文件导入、MP3播放下载。支持MediaSource浏览器渐进流式播放；不支持该标准的浏览器，需等待音频完整下载后播放。
4. 部署与安全
   单Fastify进程同时承载前端与API；内置Bearer鉴权；容器镜像做安全加固（只读文件系统、删除Linux权限能力、tmpfs临时目录）。推荐Docker Compose方式部署。

快速部署步骤（Docker Compose）

# 创建目录
mkdir -p ~/edgetts && cd ~/edgetts

编写 compose.yaml

services:
  edgetts:
    image: ghcr.io/dejavumoe/edgetts:0.9.2
    container_name: edgetts
    restart: unless-stopped
    init: true
    read_only: true
    cap_drop:
      - ALL
    security_opt:
      - no-new-privileges:true
    tmpfs:
      - /tmp
    stop_grace_period: 35s
    ports:
      - "${EDGETTS_BIND_ADDRESS:-127.0.0.1}:${EDGETTS_HOST_PORT:-8080}:8080"
    environment:
      - NODE_ENV=production
      - HOST=0.0.0.0
      - PORT=8080
      - API_KEY
      - REQUIRE_API_KEY=${REQUIRE_API_KEY:-true}
      - SPEECH_RATE_LIMIT_MAX
      - SPEECH_RATE_LIMIT_WINDOW_MS

生成密钥并启动容器

(umask 077; set -C; printf 'API_KEY=%s\n' "$(openssl rand -hex 32)" > .env)
docker compose up -d

健康检查验证

curl -i [http://127.0.0.1:8080/health](http://127.0.0.1:8080/health)

成功返回 HTTP/1.1 200 OK + {"status":"ok"}
浏览器访问 [http://127.0.0.1:8080](http://127.0.0.1:8080) 打开Web工作台。

提示：.env文件只需生成一次，升级镜像可以直接复用；公网部署建议前置HTTPS反向代理。

原生长文本接口调用示例

set -a; . ./.env; set +a
curl -X POST [http://127.0.0.1:8080/api/speech](http://127.0.0.1:8080/api/speech) \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "input": "这是一段较长的文本。edgeTTS 会在服务端无损分段并通过单个 HTTP 连接流式返回完整音频。",
    "voice": "zh-CN-XiaoxiaoNeural",
    "quality": "standard",
    "speed": 1.0,
    "pitchSemitones": 0.0,
    "volume": 1.0
  }' \
  --output long-speech.mp3