圖說：雲端語音與 Windows 本機語音是兩條都能抵達墨寒的路

昨天談 Windows 女性語音時，我刻意沒有把本機語音說成「雲端語音的低階替代品」。因為在真正使用墨寒時，聲音好不好聽只是其中一個問題；還要考慮有沒有 API 金鑰、網路是否穩定、文字會不會送到雲端，以及失敗後角色能不能正常收尾。

同一句「主上，已替您記下」，可以交給 OpenAI 語音合成，也可以交給 Windows 本機語音。對使用者而言只是設定中的一個選項，對程式而言卻是兩條不同的路，最後還必須回到同一張嘴與同一個角色狀態。

雲端聲音迷人，但有明確代價

我想讓墨寒迷人的其中一部分，當然是聲音。雲端語音通常比較自然，語調與停頓也更接近真人，對角色魅力很有幫助。

但它需要使用者自己的 OpenAI API 金鑰，語音合成時要連上網路，也可能產生費用。文字會送到對應服務處理，使用者應該在知道這件事後自行選擇，而不是因為程式預設就毫無察覺地使用。

雲端也會失敗。金鑰可能填錯、帳戶額度可能不足、網路可能中斷，服務也可能暫時拒絕請求。如果墨寒的整套互動只建立在「這次一定成功」，一個錯誤就可能讓她卡在等待、嘴巴不閉或完全沒有回應。

因此雲端聲音的價值很高，但不能被當成理所當然存在的空氣。

本機聲音不是退而求其次，而是另一種選擇

Windows 本機語音不用 OpenAI 金鑰，也不需要把待播放文字送去雲端合成。新使用者可以先聽見墨寒，網路不穩時也多一條路。它的音色與自然度會受 Windows 安裝的聲音影響，卻擁有低門檻、可離線與較明確隱私範圍的優點。

這也是墨寒從 RC3 起把新使用者的離線語音起點改為 Windows 本機語音的理由。到了 v2.1.0-rc.1，本機語音仍是 Realtime 不可用時的第一優先預設備援；同時加入可插拔語音供應器介面與 Azure Speech 選用路徑，讓未來能安全接上更多使用者喜歡的聲音，而不是把所有引擎寫死在同一段程式裡。

如果雲端合成失敗，程式也可以在設定允許且本機有合格女性聲音時，回到 Windows 語音。這種備援不能悄悄改變其他安全設定，更不能掩蓋真正錯誤；它的目的只是讓一次服務失敗，不至於把整個角色狀態拖垮。

這裡還有一個容易誤會的地方：雲端語音失敗後的本機備援，並不表示「沒有 API 金鑰也能得到雲端 AI 回答」。回答文字從哪裡來、文字用什麼聲音念出來，是兩件不同的事。沒有金鑰時，墨寒可以使用本機聲音念介面提示或已有文字，卻不會因此憑空擁有雲端對話能力。把這兩層分開說清楚，才不會讓第一次使用者以為選了 Windows 語音就等於完全離線 AI。

設定頁也要讓目前引擎一眼可見，而不是使用者忘了自己選哪一個。當問題發生，清楚標示「回答取得失敗」或「語音合成失敗」，比只說「墨寒無法說話」更能幫助他判斷要檢查金鑰、網路，還是 Windows 聲音套件。

兩條路最後都要回答同一個問題：她說完了嗎？

聲音檔如何產生只是前半段。後半段與角色表現更有關：什麼時候開始動嘴、現在是哪個嘴型、聲音何時結束、停止或失敗後何時閉嘴。

OpenAI 語音可能先取得一段音訊再播放；Windows 語音則由系統直接合成。兩邊回報時間的方式不同，如果各自順便控制表情，很容易讓墨寒在切換引擎後出現不同習慣。於是專案需要一個共同的說話時間與嘴型來源，讓角色不必知道背後是哪個引擎。

白話來說，舞台上的墨寒只需要收到一致的訊號：「現在開始說」、「這一刻嘴型偏圓」、「現在說完」。至於聲音由雲端送來或 Windows 產生，留在後台處理。

我最在意的是失敗後能不能好好回來

一般展示很容易只播放成功案例。我的驗收反而會多看幾次失敗：播放前取消、語音引擎回報錯誤、切換模式、快速送出下一句，或在聲音尚未結束時停止。

我會觀察的不是只有錯誤訊息，而是角色有沒有回復：嘴巴要閉上，等待狀態要清掉，特殊表情不能殘留，下一次對話仍能開始。若雲端失敗後改用本機，也要避免同一句話播放兩次；如果使用者已停止，備援不能過幾秒又突然開口。

這些狀態可以用模擬的聲音引擎檢查交棒順序，實際音質、音量與 Windows 播放仍要由耳朵驗收。尤其不同電腦的聲音套件不相同，我不會把自己聽過 Yating，就寫成所有語言都已完美。

我還會把同一段短句分別交給兩個引擎，注意開始時間、最後一個字結束後的閉嘴時機與下一句能否接續。比較的目的不是選冠軍，而是確認兩條路對角色交出的訊號一致。使用者切換引擎後可以聽出聲線不同，不應該看到墨寒像換了一套身體控制方式。

選項的背後，其實是讓使用者作主

我最後沒有在「最自然」和「最方便」之間選唯一答案，而是把差異說清楚，讓使用者自己決定。想先離線體驗，可以用 Windows 本機語音；願意設定金鑰並接受雲端處理，可以選 OpenAI 語音；遇到問題時，也知道應該檢查哪一條路。

角色型軟體很容易用魅力引導人忽略成本與資料流向，我反而認為墨寒越像真人，越要把這些選擇說清楚。真正可靠的策士，不會只把最好聽的方案放到主上面前，而是把代價也一起說明。

明天 Day 9，我們再進入另一條更快、更像通話的路：OpenAI Realtime。它不是把一般聊天加速而已；當聲音邊進、回答邊出，許多原本排好順序的事情會同時發生。

雲端語音的可用性、價格與模型供應可能隨服務更新；實際使用前仍應以當下 OpenAI 帳戶與官方說明為準。本篇重點是墨寒內部的選擇與失敗邊界。