快速体验微软TTS服务

微软的语音合成服务（TTS）拥有500多种高品质的音色，并且在全球都有节点可以接入，在国内访问延迟可以控制在毫秒级。下面介绍在不必要编码的环境下，如何快速体验微软TTS的结果。
方式一、微软语音库UI界面

语音库地址：Speech Studio
条件：有微软开辟账号
访问微软的语音库页面，在页面上选择必要体验的声音，然后输入对应文本，就能实时合成语音。

没有账号的话，可以听官方给的demo，结果可能会有差异。

方式二、REST API

TTS API：文本转语音 API 参考 (REST) - 语音服务 - Azure AI services | Microsoft Learn
条件：有语音服务的token
开辟者有可能没有账号的权限，但是一定有sts的token，服务上线也必要这个token。
通过API获取音频必要分三步：

• 选取语音名称
  
• 获取TTS的访问token
  
• 调用语音合成接口
  

选取语音名称

一般我们会先在语音库试听声音的demo，大致选定几个声音。然后在“示例代码”里找到：

1. config.SpeechSynthesisVoiceName = "zh-CN-XiaochenMultilingualNeural";

复制代码

"zh-CN-XiaochenMultilingualNeural"就是当前声音对应的名字。
另外，可以通过声音列表接口，获取全部支持的声音和可用的区域：

1. curl 'https://eastasia.tts.speech.microsoft.com/cognitiveservices/voices/list' --header 'Authorization: Bearer {accessToken}'
4. --- 返回值 ---
5. [
6.     {
7.         "Name": "Microsoft Server Speech Text to Speech Voice (af-ZA, AdriNeural)",
8.         "DisplayName": "Adri",
9.         "LocalName": "Adri",
10.         "ShortName": "af-ZA-AdriNeural",
11.         "Gender": "Female",
12.         "Locale": "af-ZA",
13.         "LocaleName": "Afrikaans (South Africa)",
14.         "SampleRateHertz": "48000",
15.         "VoiceType": "Neural",
16.         "Status": "GA",
17.         "WordsPerMinute": "147"
18.     },
19.     ...
20. ]

复制代码

哀求头里的accessToken就是第二步获取到访问token。
获取访问token

获取访问token必要先拿到语音服务的apiKey，这个必要用微软账号在后台先创建出来。然后通过接口获取访问token：

1. curl -X POST 'https://eastasia.api.cognitive.microsoft.com/sts/v1.0/issueToken' --header 'Ocp-Apim-Subscription-Key: {apiKey}' -d ''

复制代码

调用语音合成接口

拿到访问token后，就能直接通过语音API /cognitiveservices/v1合成音频：

1. curl -X POST 'https://eastasia.tts.speech.microsoft.com/cognitiveservices/v1' \
2. -H 'Authorization: Bearer {accessToken}' \
3. -H 'X-Microsoft-OutputFormat: audio-24khz-48kbitrate-mono-mp3' \
4. -H 'User-Agent: TEST' \
5. -H 'Content-Type: application/ssml+xml' \
6. -d '<speak version="1.0" xmlns="https://www.w3.org/2001/10/synthesis" xml:lang="en-US">
7.   <voice name="zh-CN-XiaochenMultilingualNeural">
8.         hi there!How was your weekend?Did you do anything interesting?
9.   </voice>
10. </speak>' --output test.mp3

复制代码

这里有几个留意点：

• apiKey是和区域绑定，选择endpoint的时候要留意对应关系。区域和endpoint关系
  
• X-Microsoft-OutputFormat决定合成音频的采样率和格式等信息，16khz结果较差，24khz和48kzh才有真人的感觉。音频输特别式
  
• body里填的是SSML格式内容，voice标签可以指定声音名字。SSML介绍
  

方式三、通过SDK合成

SDK方式：文本转语音快速入门 - 语音服务 - Azure AI services | Microsoft Learn
条件：有语音服务的token
通过SDK合成原理是本地与TTS服务创建websocket连接，支持合成音频内容流式输出，并且增加了许多回调事件。
线上环境应该优先利用SDK合成方式，这种方式准备环境比较复杂，必要预安装一些插件，具体不睁开介绍，可以检察官方文档。安装语音SDK
安装完环境后，调用方式如下：

1. SpeechConfig config = SpeechConfig.fromSubscription("{apiKey}", "{region}");
2. config.setSpeechSynthesisOutputFormat(SpeechSynthesisOutputFormat.Audio24Khz48KBitRateMonoMp3);
3. config.setSpeechSynthesisVoiceName("zh-CN-XiaochenMultilingualNeural");
4. SpeechSynthesizer speechSynthesizer = new SpeechSynthesizer(config, null);
5. SpeechSynthesisResult speechSynthesisResult = speechSynthesizer.SpeakSsml("""
6.                     <speak version="1.0" xmlns="https://www.w3.org/2001/10/synthesis" xml:lang="en-US">
7.                       <voice name="zh-CN-XiaochenMultilingualNeural">
8.                             hi there!How was your weekend?Did you do anything interesting?
9.                       </voice>
10.                     </speak>
11.                     """);
12. System.out.println("音频的二进制内容：" + speechSynthesisResult.getAudioData());

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。