Node.js 做短语音合成，短语其实没有想象中那么玄乎。音合核心就一句话：把文本交给引擎，短语拿回音频流，音合然后丢给播放器。短语但真上手，音合坑全在细节里。短语 我最近用阿里云的音合语音合成接口做了个小工具，输入一句话，短语两秒内返回mp3。音合Node那边用官方SDK，短语代码量不大，音合真正卡住我的短语是音频拼接。短语音通常就几秒，音合可业务场景往往要连读好几段，短语中间不能有断点。试过先把每段合成完再拼，结果段与段之间总有几十毫秒的静音，听感像打嗝。后来换成流式响应，边合成边往Buffer里推，问题才解决。 另一个坑是编码格式。阿里云默认返回pcm，但浏览器直接播放得转成wav或mp3。Node里用`wavefile`这个库转格式，内存占用小，适合短音频。别用ffmpeg，杀鸡用牛刀，而且装依赖麻烦。 选引擎也有讲究。云厂商的接口延迟低，但每次调用都走网络，万一断网就完蛋。离线方案像`speech-sdk`这类本地引擎，延迟更稳，但音色选择少。我个人的取舍是：演示demo用云端的，因为音质好，能唬人；生产环境如果网络可控，也推荐云端，省维护。 代码结构上，别把合成逻辑写进路由里。我见过同事把TTS请求直接塞进Express的handler，结果并发一高，回调地狱直接爆炸。正确做法是抽个`ttsService`，内部维护队列，用`p-limit`控制并发数。短语音合成通常一秒内能返回，但服务端不一定，限流是必须的。 调试阶段最烦的是听不出问题。合成结果对不对，不能光靠耳朵听，得画波形。`audio-waveform`库能直接把Buffer转成可视化数据，打印到控制台看有没有爆音或静音段。这招帮我发现过好几次采样率不匹配的bug。 还有个冷门但实用的技巧：合成前先给文本做预处理。比如数字统一转中文，英文单词拆字母读，标点符号替换成停顿标记。不然“2024年”可能被读成“二零二四年”或“两千零二十四年”，全看引擎心情。自己写个正则替换，能省很多返工。 最后，别迷信长连接。短语音合成每次请求都是独立的，没必要维护websocket。HTTP/2够用了，连接复用率高，还能省内存。我用`undici`替代axios做请求，性能提升明显，尤其是并发场景下。 写完这个工具，最深的感触是：Node做语音合成，难点不在语音，而在工程化。音频格式、并发控制、文本预处理，每一项都比调API费心思。但好处是生态全，npm上啥都有，折腾一晚上基本能跑通。要是图省事，直接上Python也行，但Node的优势在于能把合成服务和现有业务系统无缝集成，毕竟大多数Web后端就是Node写的。