Azure文本转语音(TTS)技术入门：快速上手指南 – wiki基地

作者： /

Azure 文本转语音 (TTS) 技术入门：快速上手指南

在当今数字化的世界中，语音交互已成为用户体验不可或缺的一部分。从智能助手到有声读物，再到辅助功能应用，文本转语音（Text-to-Speech, TTS）技术正在以前所未有的方式改变我们与技术互动的方式。Microsoft Azure 的文本转语音服务，作为 Azure Cognitive Services 的一部分，提供了高质量、自然流畅且高度可定制的语音合成能力。

本文将带您快速了解 Azure TTS，并提供一个上手指南，帮助您轻松集成这项强大的技术。

1. 什么是 Azure 文本转语音 (TTS)？

Azure 文本转语音服务能够将文本内容转换为听起来自然的人类语音。它基于先进的深度学习技术，提供以下核心优势：

  • 自然流畅的语音：利用神经网络技术，生成高度逼真、富有表现力的语音，听起来就像真人说话。
  • 丰富的语言和语音选择：支持数十种语言和方言，以及数百种不同的神经语音（Neural Voices），包括男声、女声和各种语调。
  • 高度可定制：通过语音合成标记语言（SSML – Speech Synthesis Markup Language），您可以调整语速、音高、音量、插入停顿，甚至指定特定单词的发音。
  • 易于集成：提供多种编程语言的 SDK 和 REST API，方便开发者集成到各种应用程序中。

2. 为什么选择 Azure TTS？

  • 卓越的语音质量：Azure 的神经语音是业界领先的，能够提供极佳的听觉体验。
  • 全球覆盖：作为全球领先的云平台，Azure 在全球拥有广泛的数据中心，确保低延迟和高可用性。
  • 可伸缩性：无论您的应用程序需要处理少量还是海量的文本转换请求，Azure 都能提供无缝的伸缩能力。
  • 持续创新：Microsoft 持续投入研发，不断推出新的语音模型和功能。

3. 入门前的准备

在开始使用 Azure TTS 之前，您需要准备以下内容：

  • 一个 Azure 账户：如果您还没有，可以前往 Azure 官网 注册一个免费账户。Azure 通常会提供免费试用额度。
  • 一个 Azure 语音服务资源：这是您访问 TTS 功能的基础。

4. 快速上手：创建语音资源与获取凭据

步骤 1：创建语音服务资源

  1. 登录到 Azure 门户。
  2. 在搜索栏中输入 “语音” 或 “Speech”，然后选择 “语音服务” (Speech Services)。
  3. 点击 “创建” 按钮。
  4. 填写以下信息：
    • 订阅 (Subscription)：选择您的 Azure 订阅。
    • 资源组 (Resource Group)：选择一个现有资源组或创建一个新的。资源组有助于管理相关的 Azure 资源。
    • 区域 (Region)：选择一个离您或您的用户最近的区域，以减少延迟。例如：”East US” 或 “Southeast Asia”。
    • 名称 (Name)：为您的语音服务资源提供一个唯一的名称。
    • 定价层 (Pricing Tier)：选择一个定价层。对于入门和测试，”Free F0″ 层通常足够。
  5. 点击 “查看 + 创建”，然后点击 “创建” 完成资源的部署。

步骤 2：获取 API 密钥和区域

部署完成后，进入您创建的语音服务资源。

  1. 在左侧导航栏中，选择 “密钥和终结点” (Keys and Endpoint)。
  2. 您将看到两个密钥（Key 1 和 Key 2）以及一个位置/区域 (Location/Region)。请复制其中一个密钥和位置/区域。这些将用于您的应用程序中进行身份验证。

5. 代码示例：使用 Azure TTS（Python 语言）

Azure 提供了多种语言的 SDK，这里以 Python 为例展示如何快速将文本转换为语音。

首先，您需要安装 Azure 语音 SDK：

bash
pip install azure-cognitiveservices-speech

然后，使用以下 Python 代码：

“`python
import azure.cognitiveservices.speech as speechsdk
import os

替换为您的 Azure 语音服务密钥和区域

您可以通过环境变量设置，以避免硬编码

speech_key = os.environ.get(“SPEECH_KEY”, “YOUR_SPEECH_SERVICE_KEY”)
service_region = os.environ.get(“SPEECH_REGION”, “YOUR_SPEECH_SERVICE_REGION”)

def text_to_speech(text_input, output_filename=”output.wav”, voice_name=”zh-CN-XiaoxiaoNeural”):
“””
将文本转换为语音并保存为 WAV 文件。
:param text_input: 要转换为语音的文本。
:param output_filename: 输出的 WAV 文件名。
:param voice_name: 要使用的语音名称 (例如: “zh-CN-XiaoxiaoNeural”, “en-US-JennyNeural”)。
“””
speech_config = speechsdk.SpeechConfig(subscription=speech_key, region=service_region)
speech_config.speech_synthesis_voice_name = voice_name 

# 将语音输出配置为保存到文件
audio_config = speechsdk.audio.AudioOutputConfig(filename=output_filename)

speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=audio_config)

print(f"正在将文本转换为语音：'{text_input}'...")
result = speech_synthesizer.speak_text_async(text_input).get()

if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    print(f"语音合成完成，已保存到 {output_filename}")
elif result.reason == speechsdk.ResultReason.Canceled:
    cancellation_details = result.cancellation_details
    print(f"语音合成被取消: {cancellation_details.reason}")
    if cancellation_details.reason == speechsdk.CancellationReason.Error:
        if cancellation_details.error_details:
            print(f"错误详情: {cancellation_details.error_details}")
        print("请检查您的语音服务密钥和区域是否正确。")

if name == “main“:
# 使用环境变量设置密钥和区域，或者直接替换 YOUR_SPEECH_SERVICE_KEY 和 YOUR_SPEECH_SERVICE_REGION
# export SPEECH_KEY=”YOUR_SPEECH_SERVICE_KEY”
# export SPEECH_REGION=”YOUR_SPEECH_SERVICE_REGION”

# 简单的文本转换
text_to_speech("你好，世界！这是微软 Azure 文本转语音服务为您提供的声音。", "hello_world_zh.wav", "zh-CN-XiaoxiaoNeural")
text_to_speech("Hello, world! This is Microsoft Azure Text-to-Speech service.", "hello_world_en.wav", "en-US-JennyNeural")

# 使用 SSML 进行高级定制
ssml_text = """
<speak version='1.0' xml:lang='zh-CN'>
    <voice name='zh-CN-XiaoxiaoNeural'>
        <prosody rate='-10%' pitch='+5%'>
            这是一段通过 SSML 定制的文本。
        </prosody>
        <break time='500ms'/>
        语速略微减慢，语调略微提高。
    </voice>
</speak>
"""
text_to_speech(ssml_text, "ssml_example.wav", "zh-CN-XiaoxiaoNeural")

“`

重要提示：在生产环境中，请不要将 API 密钥直接硬编码到您的代码中。建议使用环境变量、Azure Key Vault 或其他安全配置方式来管理敏感凭据。

6. 自定义语音输出 (SSML)

SSML（Speech Synthesis Markup Language）是 XML 格式的标记语言，允许您对语音输出进行精细控制。在 speechsdk.SpeechSynthesizer 中传入 SSML 字符串而不是纯文本，即可实现高级定制。

常用的 SSML 标签包括：

  • <speak>：SSML 文档的根元素。
  • <voice>：指定要使用的语音名称。
  • <prosody>：调整语速（rate）、音高（pitch）和音量（volume）。
    • rate 值可以是 x-slow, slow, medium, fast, x-fast，或百分比（例如 +10%, -5%）。
    • pitch 值可以是 x-low, low, medium, high, x-high，或百分比/半音（例如 +5%, +2st）。
  • <break>：在语音中插入停顿，可以指定时间（例如 500ms, 2s）或强度（例如 x-weak, strong）。
  • <say-as>：指示服务如何解释文本，例如将数字读作日期或电话号码。
  • <emphasis>：强调某个词语。

更多 SSML 详情请查阅 Azure 官方文档。

7. 探索更多功能

Azure TTS 还有许多高级功能等待您探索：

  • 自定义神经语音 (Custom Neural Voice)：如果您需要一个与您的品牌或特定人物声音高度一致的语音，可以训练一个自定义神经语音模型。
  • 音频内容创建工具 (Audio Content Creation)：一个基于门户的工具，允许您通过图形界面编辑文本、选择语音、调整 SSML，并生成高质量的音频文件，非常适合制作有声读物、播客或视频旁白。
  • 长音频合成 (Long Audio Synthesis)：处理长篇文本内容（如整本书）的合成。

8. 总结

Azure 文本转语音服务提供了一个功能强大、易于使用且高度可定制的平台，用于将文本转换为自然流畅的语音。通过本文的指南，您应该已经能够：

  1. 了解 Azure TTS 的基本概念和优势。
  2. 在 Azure 门户中创建语音服务资源并获取凭据。
  3. 通过 Python SDK 实现基本的文本到语音转换。
  4. 初步了解如何使用 SSML 进行语音定制。

现在，您可以开始将 Azure TTS 集成到您的应用程序中，为用户带来更丰富的语音交互体验！祝您使用愉快！

—I have provided the article about “Azure Text-to-Speech (TTS) Technology Getting Started: Quick Start Guide” as requested. I believe this completes the task.

滚动至顶部