我把一套 18 节的文字课做成了能听的有声书，全程只花 ¥40，关键是别买那个订阅
哈喽，我是飞飞。
先说个事。我手里一直攥着一套自己写的成长课，18 节纯文字，加起来快 4763 行。东西是好东西，但它就那么躺在仓库里，是一堆灰扑扑的 Markdown。说实话，这种长文没人会主动点进去读，我自己写完都懒得再翻第二遍。
后来我想，能不能把它做成一个像样的作品。一个能像电子书那样沉浸读、又能戴上耳机在通勤路上听的东西。于是就有了现在这个站：change-your-life.vance.xin，古籍质感的在线阅读页，配上 18 节 AI 朗读的有声书，沉稳男声，加起来大概 205 分钟。
先给你看一眼它在手机上的样子，深色模式，朱砂红配暖色标题，底部那条是常驻播放台。
这套打法我也还在摸，不一定全对，但既然踩过的坑都热乎着，我就把怎么做的、花了多少钱、在哪几个地方翻了车，一次性都掏给你。
一开始我只定了两条死规矩
技术选型这种事，越往后越容易乱。所以动手前我先给自己立了两条规矩，后面所有选择都照着它来。
一个是静态优先。不搞后端、不碰数据库。生成出来的就是一个 HTML 文件，能双击离线打开，也能随手丢到任何托管上。另一个是可增量。这套课我以后还会持续打磨，所以「改了某一节、只重做这一节」的成本必须压到极低，绝不能改一个字就得整本重跑。
有了这两条，后面就好办了。阅读页我没引任何第三方库，课程的 Markdown 语法本来就很克制，我用 Python 标准库自己写了个轻量转换器，几百行搞定，零依赖，跑起来稳，换个人也能直接用。
至于托管，我做了一个现在看来很值的决定：拆开放。阅读页很小，几百 KB，丢 Cloudflare Pages；音频很大，差不多 200MB，放七牛云的对象存储走 CDN。两边各走各的，改文字只更新 HTML，改音频只动七牛，互不拖累。
电脑上打开是下面这样，左边是能跟着滚动高亮的章节目录，右边正文，底部那条常驻播放台随时能播放、暂停、切上下节、调倍速。
配音用哪家，我对比了四家最后选了 MiniMax
这是有声书旁白，我要的就一个标准：像真人在念书，不能有那股机器腔。
我把市面上主流的几家中文语音合成都拉出来比了一遍。阿里云的 CosyVoice 很自然，和阿里云账号打通、人民币计费，适合图省事的；火山引擎的豆包音色库最全；Azure 的 SSML 能精细控停顿语速，适合批量长文。最后我选了 MiniMax 的 speech-2.8-hd，它的音色在有声书这个场景里是第一梯队，最接近真人主播那种娓娓道来的感觉。
选哪家其实不太纠结，听几句小样心里就有数了。真正让我差点踩坑的，是它后面那套计费。
别被那个 ¥49 月订阅勾走，一次性任务就该按量付费
MiniMax 有两套完全不同的计费体系，刚上手很容易搞混。
一套是按量付费，用标准的 API Key，按你实际用了多少扣账户余额，语音是按字符算的，hd 是 ¥3.5 一万字符。另一套是 Token Plan 订阅，比如 Plus 是 ¥49 一个月，文本、图像、语音、音乐共享一份 token 额度，用的是另一把订阅密钥。
我一开始是被那个 ¥49 勾住的，第一反应是「看起来啥都包了，更划算」。但冷静想了想就放弃了。它那把订阅密钥是不是能直接喂给语音 API，我心里没底，那种额度常常只在它自家的 Agent 产品里能用。再说它主打的卖点，什么多 Agent 并发、编程工具、百万上下文，全是冲着编程和 Agent 产品去的，跟我「给课程配音」八竿子打不着。最要命的是它按月续费，而我这是个一次性活，跑完就完了，订阅天然不划算。
后来我给自己总结了一条法则：一次性任务用按量付费，只有你会长期、大量地用，订阅才值。这条放别的地方也通用。
真正给我上了一课的，是那笔账
这笔账我得掰开揉碎讲，因为我自己就在这上面栽过。
18 节课清洗成纯朗读文本之后，大概 6.8 万字。我当时拿 hd 的单价一乘，估了个 ¥24 出头，心想这点钱无所谓，直接全量跑吧。
结果账单不对。实际扣的钱比我估的高出一大截，全程花了 ¥40 多。我查了半天才搞明白这个坑：TTS 不是按你原文的字数计费，是按它实际朗读的内容计费。问题就出在数字和符号上。文里写「100万」「35%」这种，模型念出来是「一百万」「百分之三十五」，字符一下就膨胀了。说白了，实际计费差不多是原文字数的 1.7 倍。
所以你要估这种活的成本，记住乘个 1.7，别像我一样按原始字数估，会算少接近一半。
还有个更省心的建议：先用几毛钱跑个小样。我后面专门留了个只合成某一节开头的命令，几毛钱听一耳朵，音色对了再全量铺开。要是音色没定好就把 18 节全跑了，发现不对再重来，那又是几十块打水漂。
这一路真正让我记住的，是几个坑
技术选型听着挺顺，真动起手来全是坑。挑几个我印象最深的说说。
最离谱的是充值那次。我余额估得不够，合成跑到第 10 节，啪一下报了个 1008 insufficient balance，余额只够撑 9 节就见底了。根子还是那个 1.7 倍没算进去。所以备余额这件事，也得按字数乘 1.7 来准备，别卡着估算值充。
更阴险的是音色那个坑。MiniMax 的音色 ID 长这样：Chinese (Mandarin)_Reliable_Executive，里头带空格还带括号。我图省事把它写进密钥文件，让 shell 用 source 去读，结果那个括号直接把 shell 的解析搞崩了，音色变量根本没设上，脚本默默用了默认音色。我前几节合成出来一听，不对劲，全白做了。后来我老老实实让脚本自己去解析 .env.local，彻底不依赖 shell 那一套，才算稳住。
还有一个坑，是花钱的活才会让你格外肉疼的那种。我那个记账的清单文件，一开始是设计成整个任务跑完才一次性写盘。听着没问题，但只要中途崩一次，前面那几节的「记账」就全丢了，重跑的时候它不知道哪些已经做过，会从头再来一遍，等于重复花钱。我后来改成每合成一节就立刻把这一节的记录落盘，崩了也不丢进度，更不会重复扣费。长任务，尤其是花钱的长任务，一定要边做边存，别等最后统一写，这是我这回学到最值的一条。
剩下几个就是经典劝退项了，私有仓库用不了 GitHub Pages 免费版，所以换了 Cloudflare Pages；域名解析在阿里云、不在 Cloudflare，我手动加了条 CNAME 过去，Cloudflare 那边几乎是秒签的 HTTPS 证书；macOS 新版的系统 Python 被保护着、pip 装不了包，建个虚拟环境就解决了。这些就不展开了，遇到搜一下都有答案。
一个让我以后只花一两块钱改稿的小聪明
前面说的「可增量」那条死规矩，最后是靠一个小设计落地的。
我给每一节算了个指纹，把这一节的朗读文本、用的音色、用的模型揉一块做了个哈希。下次再跑的时候，脚本先比指纹，没变就直接跳过，只重做内容真改了的那几节。这意味着我以后哪天改了第 7 节的几句话，重新生成就只花第 7 节那一节的钱，大概一两块，而不是把 18 节再烧一遍。
这套东西是我用 Claude Code 一点点磨出来的。我还顺手写了个 CLAUDE.md 把项目规则记下来，又把「生成加部署」封成了一个 /deploy 技能，以后更新一句话的事。整个过程也算是个 build in public，做完回头看，真正攒下来的东西，反倒是上面这几条用真金白银踩出来的经验，技术选型本身倒在其次。
写在最后
整个站做下来，音频一次性 ¥40 出头，托管是免费的，域名我本来就有，后续改一节也就一两块钱。一套躺在仓库里没人看的长文，就这么变成了能戴耳机听的东西。
如果你也手里压着一堆写好却没人读的文字，真的可以试试这条路。技术门槛没你想的高，钱也花不了几个，避开我上面这几个坑就行。
成品就在 change-your-life.vance.xin，你可以直接点进去翻一翻、也可以挑一节听听那个配音的质感。最后想问问你：同样一段内容，你是更习惯安静读字，还是更愿意戴上耳机听别人念给你？我挺好奇大家在这两种方式之间是怎么选的。