Azure TTS 入门指南：快速上手

引言

在数字化日益普及的今天，将文字转化为自然流畅的语音已成为许多应用场景的核心需求，无论是提升用户体验、增强信息可访问性，还是构建智能语音助手、内容创作自动化等。微软 Azure 认知服务中的文本转语音（Text-to-Speech，简称 TTS）功能，凭借其高质量的神经语音（Neural Voices）和丰富的功能，成为了开发者和内容创作者的首选工具之一。

本指南旨在为初次接触 Azure TTS 的用户提供一个全面且详细的入门介绍，带你从零开始，快速掌握如何利用 Azure TTS 将你的文字变成动听的语音。我们将涵盖从创建资源、理解核心概念，到通过不同方式（REST API、SDK、Speech Studio）实现文本转语音的全过程，并探讨一些高级功能和常见问题。

第一部分：理解 Azure TTS 的基础

在深入实践之前，了解 Azure TTS 的核心概念至关重要。

1. 什么是 Azure Text-to-Speech (TTS)？

Azure Text-to-Speech 是一项云服务，可以将输入的文本内容合成为听起来自然、富有表现力的语音。它不仅仅是简单的文字朗读，尤其是其先进的神经文本转语音（Neural Text-to-Speech），利用深度神经网络模仿人类的发音模式和语调，生成的语音听起来非常接近真人。

2. 为什么选择 Azure TTS？

高质量神经语音： Azure TTS 提供了多种语言和方言的高质量神经语音，这些声音经过精心训练，能够以自然的韵律和情感表达朗读文本，极大地提升听觉体验。
支持多种语言和方言： 涵盖了全球主要语言及其多种方言，满足不同地域和用户的需求。
灵活的控制： 支持使用语音合成标记语言（SSML）来精细控制语音的输出，例如调整语速、语调、音量，添加停顿，甚至切换不同的声音来模拟对话。
多种集成方式： 提供 REST API、适用于多种编程语言的 SDK (如 Python, C#, Java, Node.js 等) 以及无需编写代码的 Speech Studio，方便开发者和非开发者使用。
定制化能力： 支持创建自定义神经语音（Custom Neural Voice），用自己独特的品牌声音或个人声音来合成语音（此功能通常需要较多数据和训练）。
可伸缩性： 作为一项云服务，能够根据你的需求轻松扩展，处理大量文本合成请求。

3. 核心概念解析

Azure 订阅： 使用任何 Azure 服务的前提。你需要一个有效的 Azure 订阅来创建和管理资源，并为此服务付费（或使用免费额度）。
资源组 (Resource Group)： Azure 中用于组织相关资源的逻辑容器。将 Speech Service 资源放入资源组有助于管理和计费。
Speech Service 资源： 在 Azure 中专门为语音相关的认知服务（包括 TTS、语音转文本、语音翻译等）创建的服务实例。它是访问 Azure TTS 功能的入口，包含了你的订阅密钥和区域信息。
区域 (Region)： Azure 服务部署在全球的物理位置。创建 Speech Service 资源时需要选择一个区域。选择靠近你用户或应用程序服务器的区域可以减少延迟。
订阅密钥 (Subscription Key) 和终结点 (Endpoint)： 创建 Speech Service 资源后，Azure 会为你分配一对或多对密钥和一个终结点 URL。密钥用于验证你的请求，终结点是你发送 TTS 请求的地址。你需要安全地保管这些密钥。
语音 (Voices)： 指用于合成文本的预训练声音模型。Azure 提供标准语音和神经语音。神经语音是推荐的选择，因为它更自然。每个语音都有一个唯一的名称，例如 zh-CN-XiaoxiaoNeural（普通话女性神经语音）。
SSML (Speech Synthesis Markup Language)： 一种基于 XML 的标记语言，允许你更精细地控制语音合成过程。你可以用 SSML 指定使用哪种语音、控制语速、语调、添加停顿、插入背景音频等。
定价层 (Pricing Tier)： 决定你使用 Speech Service 的功能和费用。常见的有 Free (F0) 层（有免费额度限制，适合开发测试）和 Standard (S0) 层（按实际使用量收费，适合生产环境）。对于神经语音，通常需要 Standard 或专门的神经语音定价层。

第二部分：准备工作 – 创建 Azure Speech Service 资源

在开始合成语音之前，你需要在 Azure 中设置好必要的服务资源。

1. 拥有一个 Azure 账户

如果你还没有 Azure 账户，需要先注册一个。Azure 提供免费账户，通常包含一定额度的免费服务，适合入门和测试。访问 Azure 官网进行注册。

2. 创建 Speech Service 资源

这是使用 Azure TTS 的第一步，也是最关键的一步。

登录 Azure Portal： 打开浏览器，访问 https://portal.azure.com/ 并使用你的 Azure 账户登录。
搜索 Speech： 在顶部的搜索栏中输入 “Speech”，然后从搜索结果中选择 “Speech services”。
创建 Speech 服务： 在 Speech services 页面，点击 “+ 创建”。
配置 Speech 资源：
- 订阅 (Subscription)： 选择你要使用的 Azure 订阅。
- 资源组 (Resource Group)： 选择现有的资源组，或者点击 “新建” 创建一个。为资源组起一个有意义的名字，例如 SpeechResources。
- 区域 (Region)： 选择一个离你或你的用户较近的区域。例如，”East Asia” (东亚) 或 “China North 3” (华北 3)。请注意，某些特定语音或功能可能只在特定区域可用。
- 名称 (Name)： 为你的 Speech Service 资源起一个唯一的名称，例如 my-awesome-tts-service。这个名称将作为资源的标识符。
- 定价层 (Pricing tier)： 选择一个合适的定价层。对于入门和测试，选择 “Free F0” 即可，它提供每月一定量的免费额度。如果需要更多功能或用于生产环境，选择 “Standard S0″。请注意，神经语音的使用量计费方式与标准语音可能不同，且通常需要更高的定价层或在 Standard S0 层上按神经语音的使用量计费。请务必查看最新的 Azure Speech Service 定价页面了解详细信息。
审阅并创建： 填写完所有信息后，点击 “审阅 + 创建”，然后点击 “创建”。
部署完成： 等待 Azure 完成资源的部署，通常需要几分钟。部署完成后，你会看到一个通知。
转到资源： 点击通知中的 “转到资源”，或者在资源组中找到你创建的 Speech Service 资源并点击进入。

3. 获取订阅密钥和区域信息

成功创建 Speech Service 资源后，你需要获取用于身份验证的密钥和资源所在的区域。

导航到资源： 在 Azure Portal 中，找到你刚才创建的 Speech Service 资源。
获取密钥和终结点： 在资源概览页面的左侧菜单中，找到并点击 “密钥和终结点” (Keys and Endpoint)。
复制信息： 这个页面会显示两个订阅密钥（Key 1 和 Key 2）以及资源所在的区域 (Location/Region) 和终结点 (Endpoint)。
- 密钥 (Key 1 或 Key 2)： 这两个密钥功能相同，你可以使用其中任何一个。复制其中一个密钥。
- 区域 (Location/Region)： 记住或复制这个区域名称，例如 eastasia 或 chinanorth3。
- 终结点 (Endpoint)： 这是服务的基本 URL，通常在代码中不需要直接使用，SDK 会根据你提供的区域和密钥自动构建请求，但了解它有助于理解服务如何工作。
安全保管密钥： 订阅密钥非常重要，相当于你使用服务的密码。切勿在客户端代码中硬编码密钥，也不要随意分享。在应用程序中，应该使用环境变量、Azure Key Vault 或其他安全方式来管理密钥。

至此，你已经成功创建了 Azure Speech Service 资源，并获取了访问 TTS 功能所需的密钥和区域信息。现在，我们准备开始合成语音！

第三部分：快速上手 – 通过不同方式合成语音

Azure TTS 提供了多种使用方式，满足不同用户的需求。我们将介绍最常见的几种：使用 Speech Studio、使用 REST API 和使用 SDK。

方式一：使用 Speech Studio (无需代码)

Speech Studio 是一个基于 Web 的工具集，提供了用于构建和集成语音服务的 UI 界面。它是测试 TTS 功能、尝试不同语音、创建自定义语音或执行批量合成的绝佳起点，无需编写任何代码。

访问 Speech Studio： 打开浏览器，访问 Speech Studio 官网。
登录： 使用你的 Azure 账户登录。登录后，你需要选择与你的 Speech Service 资源关联的 Azure 订阅和资源。
导航到文本转语音工具： 在 Speech Studio 的主页或左侧导航栏中，找到并点击 “文本转语音” (Text-to-speech)。
使用文本转语音工具：
- 选择资源： 确保页面顶部或设置中选择了正确的 Azure 订阅和 Speech Service 资源。
- 输入文本： 在左侧的文本框中输入你想要合成的文本。
- 选择语音： 在右侧的语音选择器中，浏览并选择你想要的语言和语音。你会看到各种语言（如中文、英文）以及每种语言下可用的标准语音和神经语音（通常带有 “Neural” 标记）。点击语音名称可以试听。
- 调整设置 (可选)： 你可以调整语音的语速、语调等参数。
- 合成： 点击 “合成” (Synthesize) 按钮。Speech Studio 会将文本发送到 Azure Speech Service，并在页面中播放生成的语音。
- 下载音频： 合成完成后，你可以下载生成的音频文件（通常是 WAV 或 MP3 格式）。
探索其他功能： 在 Speech Studio 中，你还可以尝试：
- SSML 编辑器： 如果你想使用 SSML 控制合成细节，可以在 SSML 模式下输入和编辑 SSML 代码。
- 批量合成 (Batch Synthesis)： 上传包含多段文本的文件，一次性合成大量语音。
- 自定义神经语音 (Custom Neural Voice)： 如果你有足够的数据和需求，可以在这里开始创建自己的专属语音模型。

Speech Studio 是验证想法、快速测试和进行小型合成任务的理想选择。

方式二：使用 REST API (灵活性高)

如果你需要将 TTS 功能集成到不支持 Azure Speech SDK 的环境，或者希望对 HTTP 请求有更直接的控制，可以使用 REST API。

使用 REST API 进行文本转语音通常涉及向 Speech Service 的特定终结点发送一个 POST 请求，请求体包含待合成的文本（纯文本或 SSML），请求头包含身份验证密钥和所需的音频格式等信息。

以下是一个使用 curl 命令调用 REST API 的简单示例（你需要替换 YOUR_SPEECH_KEY 和 YOUR_SPEECH_REGION）：

bash curl -X POST \ 'https://YOUR_SPEECH_REGION.tts.speech.microsoft.com/cognitiveservices/v1' \ -H 'Ocp-Apim-Subscription-Key: YOUR_SPEECH_KEY' \ -H 'Content-Type: application/ssml+xml' \ -H 'X-Microsoft-OutputFormat: audio-16khz-32kbitrate-mono-mp3' \ -d '<speak version="1.0" xml:lang="zh-CN"> <voice name="zh-CN-XiaoxiaoNeural"> 您好，这是来自 Azure 认知服务的文本转语音示例。 </voice> </speak>' \ --output output.mp3

解析这个 curl 命令：

-X POST: 指定使用 HTTP POST 方法。
'https://YOUR_SPEECH_REGION.tts.speech.microsoft.com/cognitiveservices/v1': 这是 TTS REST API 的终结点 URL。你需要将 YOUR_SPEECH_REGION 替换为你资源的实际区域，例如 eastasia。
-H 'Ocp-Apim-Subscription-Key: YOUR_SPEECH_KEY': 这是用于身份验证的请求头。将 YOUR_SPEECH_KEY 替换为你的订阅密钥。
-H 'Content-Type: application/ssml+xml': 指定请求体的内容类型是包含 SSML 的 XML。如果你发送纯文本，可以将 Content-Type 设置为 text/plain; charset=utf-8。
-H 'X-Microsoft-OutputFormat: audio-16khz-32kbitrate-mono-mp3': 指定输出音频的格式。Azure 支持多种格式，例如 audio-16khz-32kbitrate-mono-mp3 (MP3 格式, 16kHz 采样率, 32kbps 比特率), riff-wav-16khz-16bit-mono-pcm (WAV 格式) 等。你可以查阅 Azure 文档获取完整的格式列表。
-d '<speak ...> ... </speak>': 这是请求体，包含了待合成的 SSML 内容。这里使用了 <speak> 根元素和 <voice> 元素来指定使用的语音 (zh-CN-XiaoxiaoNeural) 和文本。
--output output.mp3: 将返回的音频数据保存到名为 output.mp3 的文件中。

使用 REST API 的优点是通用性强，几乎可以在任何支持 HTTP 请求的环境中使用。缺点是你需要手动处理请求的构建、发送以及响应（音频流）的处理。

方式三：使用 Speech SDK (推荐用于应用程序开发)

对于大多数应用程序开发场景，使用 Azure Speech SDK 是更简单、功能更丰富的方式。SDK 封装了底层的 REST API 调用、音频流处理、连接管理、错误处理等复杂细节，让你能更便捷地集成 TTS 功能。

Azure 提供了多种语言的 SDK，包括：

C#
Python
Java
JavaScript (浏览器和 Node.js)
C++
Go

这里以 Python SDK 为例，演示如何合成语音：

步骤 1: 安装 Speech SDK

打开终端或命令行，运行以下命令安装 Python Speech SDK：

bash pip install azure-cognitiveservices-speech

步骤 2: 编写 Python 代码

创建一个 Python 文件（例如 tts_quickstart.py），然后复制以下代码，并替换 YOUR_SPEECH_KEY 和 YOUR_SPEECH_REGION 为你自己的信息。

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

在此处替换为你的 Speech Service 资源的订阅密钥和区域

建议使用环境变量来管理密钥，例如 os.environ.get(“SPEECH_KEY”)

如果你使用环境变量，请确保在运行脚本前设置好它们

speech_key = “YOUR_SPEECH_KEY”
speech_region = “YOUR_SPEECH_REGION” # 例如 “eastasia” 或 “chinanorth3”

要合成的文本

text_to_synthesize = “您好，这是使用 Azure Speech SDK 合成的中文语音。”

或者使用 SSML 来指定语音和更多控制

ssml_text = “””

您好，这是使用 Azure Speech SDK 和 SSML 合成的中文语音。

语速稍微慢一些，听起来怎么样？

“””

def synthesize_text_to_speaker(text, key, region):
“””将文本合成为语音并在扬声器中播放”””
speech_config = speechsdk.SpeechConfig(subscription=key, region=region)
# 设置输出音频格式，例如 MP3
speech_config.set_speech_Synthesis_output_format(speechsdk.SpeechSynthesisOutputFormat.Audio16Khz32KBitRateMonoMp3)

# 你可以在这里设置要使用的语音，如果不设置，会使用默认语音
# speech_config.speech_synthesis_voice_name="zh-CN-XiaoxiaoNeural" # 例如普通话女性神经语音

# 创建语音合成器对象，指定输出到默认扬声器
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config)

print(f"正在合成文本: \"{text}\" 并播放...")

# 合成文本
# 如果使用纯文本:
result = speech_synthesizer.speak_text_async(text).get()

# 如果使用 SSML (取消上面 ssml_text 的注释，并注释掉上面的 speak_text_async):
# result = speech_synthesizer.speak_ssml_async(ssml_text).get()

# 检查合成结果
if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    print("语音合成完成并在扬声器中播放。")
elif result.reason == speechsdk.ResultReason.Canceled:
    cancellation_details = result.cancellation_details
    print(f"语音合成取消: {cancellation_details.reason}")
    if cancellation_details.reason == speechsdk.CancellationReason.Error:
        print(f"错误详情: {cancellation_details.error_details}")
        print("请检查你的订阅密钥、区域、网络连接或输入的文本/SSML 是否有效。")

def synthesize_text_to_file(text, key, region, output_filename):
“””将文本合成为语音并保存到文件中”””
speech_config = speechsdk.SpeechConfig(subscription=key, region=region)
# 设置输出音频格式，例如 MP3
speech_config.set_speech_Synthesis_output_format(speechsdk.SpeechSynthesisOutputFormat.Audio16Khz32KBitRateMonoMp3)

# 设置要使用的语音
# 你可以在这里指定一个具体的神经语音，例如：
speech_config.speech_synthesis_voice_name="zh-CN-XiaoxiaoNeural" # 普通话女性神经语音
# speech_config.speech_synthesis_voice_name="zh-CN-YunxiNeural" # 普通话男性神经语音
# speech_config.speech_synthesis_voice_name="en-US-JennyNeural" # 美式英语女性神经语音

# 创建语音合成器对象，指定输出文件
audio_config = speechsdk.AudioConfig(filename=output_filename)
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=audio_config)

print(f"正在合成文本: \"{text}\" 并保存到文件 \"{output_filename}\"...")

# 合成文本
# 如果使用纯文本:
result = speech_synthesizer.speak_text_async(text).get()

# 如果使用 SSML (取消上面 ssml_text 的注释，并注释掉上面的 speak_text_async):
# result = speech_synthesizer.speak_ssml_async(ssml_text).get()


# 检查合成结果
if result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    print(f"语音合成完成，文件已保存到 {output_filename}")
elif result.reason == speechsdk.ResultReason.Canceled:
    cancellation_details = result.cancellation_details
    print(f"语音合成取消: {cancellation_details.reason}")
    if cancellation_details.reason == speechsdk.CancellationReason.Error:
        print(f"错误详情: {cancellation_details.error_details}")
        print("请检查你的订阅密钥、区域、网络连接、SSML语法或输出文件路径是否有效。")

— 调用函数进行合成 —

if name == “main“:
# 示例 1: 合成并播放到扬声器
# synthesize_text_to_speaker(text_to_synthesize, speech_key, speech_region)

# 示例 2: 合成并保存到文件
output_filename = "output_audio.mp3"
synthesize_text_to_file(text_to_synthesize, speech_key, speech_region, output_filename)

# 示例 3: 如果你想尝试 SSML 合成（需要修改上面的 ssml_text 和函数调用）
# synthesize_text_to_file(ssml_text, speech_key, speech_region, "output_ssml_audio.mp3")
# 或者
# synthesize_text_to_speaker(ssml_text, speech_key, speech_region)

“`

解释代码：

导入 SDK： 导入 azure.cognitiveservices.speech 模块。
设置密钥和区域： 定义变量存储你的订阅密钥和区域。强烈建议使用环境变量而不是直接硬编码，例如使用 os.environ.get("SPEECH_KEY") 来获取密钥。
创建 SpeechConfig： 使用你的密钥和区域创建一个 speechsdk.SpeechConfig 对象。这是配置语音服务的入口。
设置输出格式和语音 (可选)： 在 speech_config 上设置 set_speech_Synthesis_output_format 来指定音频格式（如 MP3）。使用 speech_config.speech_synthesis_voice_name 来指定要使用的语音。
创建 SpeechSynthesizer： 创建一个 speechsdk.SpeechSynthesizer 对象。这是执行合成操作的核心类。你可以通过 audio_config 参数指定输出方式（例如，None 表示输出到默认扬声器，或者使用 speechsdk.AudioConfig(filename="...") 输出到文件）。
合成文本：
- 使用 synthesizer.speak_text_async(text).get() 合成纯文本。.get() 方法会阻塞直到合成完成。
- 使用 synthesizer.speak_ssml_async(ssml_text).get() 合成 SSML 文本。
- 这些方法都是异步操作，.get() 是为了在简单的脚本中等待结果。在更复杂的应用中，你可能会使用 await 或回调函数来处理异步结果。
检查结果： 检查返回的 result 对象的 reason 属性，看合成是否成功（Speechsdk.ResultReason.SynthesizingAudioCompleted）。如果失败（Speechsdk.ResultReason.Canceled），可以查看 cancellation_details 获取错误信息。
保存/播放： 如果输出到文件，文件会在合成完成后自动生成。如果输出到扬声器，SDK 会自动播放。

运行代码：

保存文件后，在终端中导航到文件所在的目录，运行：

bash python tts_quickstart.py

如果一切配置正确，你会听到合成的语音（如果设置为播放到扬声器），或者在同目录下找到生成的音频文件。

使用 SDK 的优点是易用、强大，提供了丰富的 API 来控制合成过程，并且能够更好地处理流式音频和复杂的场景。它是将 TTS 功能集成到应用程序中的首选方式。

第四部分：使用 SSML 进行语音定制

SSML (Speech Synthesis Markup Language) 是 Azure TTS 提供的一个强大功能，允许你对合成语音进行更细粒度的控制。通过在 SSML 中包含特定的标签和属性，你可以实现：

切换语音： 在同一段文本中切换不同的声音，模拟对话。
控制语速、语调和音量： 根据需要调整语音的属性。
添加停顿： 在句子或词语之间插入精确时长的停顿。
强调特定词语： 让合成语音更突出某些内容。
插入背景音频： 在语音合成时播放背景音乐或音效。
控制发音： 指定特定词语的发音方式（例如缩写词、数字）。

SSML 是一个基于 XML 的标记语言。基本的结构如下：

xml <speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesize" xml:lang="en-US"> <voice name="en-US-JennyNeural"> Hello, this is a simple SSML example. </voice> </speak>

<speak>: 根元素，必需。version 和 xmlns 属性是固定的。xml:lang 指定了文本的语言，这通常与 <voice> 中的语言相匹配。
<voice>: 指定用于合成其内容的语音。name 属性指定了语音的名称（例如 zh-CN-XiaoxiaoNeural）。你可以在 Azure 文档中找到所有支持的语音列表。

常用 SSML 标签示例：

添加停顿： <break time="500ms"/> 或 <break strength="medium"/> (none, x-weak, weak, medium, strong, x-strong)
控制语速和语调：
xml <prosody rate="-10%" pitch="+5%"> 语速慢一点，语调高一点。 </prosody>
rate 可以是百分比 (-10% 慢 10%, +20% 快 20%) 或绝对值 (例如 slow, medium, fast)。
pitch 可以是相对值 (+5%, -10Hz) 或绝对值 (例如 x-low, low, medium, high, x-high)。
强调：
xml <emphasis level="moderate"> 这是需要强调的句子。 </emphasis>
level 可以是 none, reduced, moderate, strong。
切换语音（对话示例）：
xml <speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesize" xml:lang="zh-CN"> <voice name="zh-CN-XiaoxiaoNeural"> 小明，你在干什么呢？ </voice> <voice name="zh-CN-YunxiNeural"> 小红，我正在阅读一本有趣的书。 </voice> </speak>

在通过 REST API 或 SDK 使用 SSML 时，只需将 Content-Type 设置为 application/ssml+xml (对于 REST API) 或使用 SDK 相应的 speak_ssml_async 或 SpeakSsmlAsync 方法，并将 SSML 字符串作为输入即可。

掌握 SSML 能让你创建出更富有表现力和个性化的语音内容。

第五部分：高级功能简述

除了基本的文本转语音，Azure TTS 还提供了一些高级功能：

自定义神经语音 (Custom Neural Voice – CNV)： 如果标准的神经语音不能满足你的品牌需求，你可以训练一个独特的神经语音模型。这需要收集大量的音频数据和对应的文本，并进行训练。CNV 功能通常用于构建企业或品牌的专属语音助手。
批量合成 (Batch Synthesis)： 适用于需要一次性合成大量文本的场景（例如为电子书生成音频、为大量文档生成旁白）。你可以上传包含文本的文件列表，Azure 会异步处理这些合成任务，并在完成后提供下载链接。这比逐个调用实时合成 API 更高效。批量合成通常通过 Speech Studio 或专门的 REST API 进行。
声音内容创作工具 (Audio Content Creation)： Speech Studio 中的一个更高级的工具，提供了更直观的界面来编辑和调整 SSML，预览不同语音的效果，甚至添加背景音乐和音频效果，帮助你创建更专业的音频内容。

这些高级功能通常需要更多的配置、数据准备或不同的 API 调用方式，但它们极大地扩展了 Azure TTS 的应用范围。

第六部分：定价、配额和常见问题

1. 定价：

Azure Speech Service 的 TTS 定价主要基于合成的字符数。

标准语音： 价格较低，通常按每百万字符计费。
神经语音： 价格较高，通常按每百万字符计费，但费率更高。
自定义神经语音： 除了字符数，可能还涉及训练和部署模型的费用。

Free (F0) 层 通常提供每月一定量的免费字符合成额度（例如，每月 50 万标准字符和/或 5 万神经字符）。超过免费额度后，将按照 Standard (S0) 层的价格计费。

重要提示： 定价可能会随时间变动。务必访问 Azure 官方 Speech Service 定价页面获取最准确和最新的价格信息。

2. 配额和限制：

不同的定价层有不同的配额和限制，例如每秒的请求数、每月合成的字符数等。Free 层通常限制更严格。如果你的应用需要处理大量请求，需要升级到 Standard 层并了解其配额限制。

3. 常见问题和故障排除：

身份验证失败 (401/403 错误)： 最常见的问题是订阅密钥或区域不正确。请仔细检查你在代码或请求中使用的密钥和区域是否与 Azure Portal 中 Speech Service 资源的 “密钥和终结点” 页面显示的信息完全一致。确保没有额外的空格或字符。
区域错误 (400 错误)： 确保你使用的区域是你的 Speech Service 资源实际所在的区域。
SSML 语法错误： SSML 是 XML 格式，必须严格遵守语法规则。任何标签不匹配、属性错误、特殊字符未转义等都会导致合成失败。可以使用在线 XML 校验工具或 Speech Studio 的 SSML 编辑器来检查 SSML 的有效性。错误信息通常会指示具体问题。
网络连接问题： 确保你的应用程序能够访问 Azure Speech Service 的终结点。防火墙、代理设置或网络不稳定都可能导致连接失败。
超出了免费额度： 如果你使用的是 Free 层并且频繁合成语音，可能会超出每月免费额度。检查 Azure Portal 中资源的用量统计。超出额度后，合成请求可能会失败，直到下个计费周期开始，或者你需要升级定价层。
找不到指定的语音： 确保你使用的语音名称是 Azure 支持的有效语音名称，并且该语音在你创建资源的区域中可用。有些语音是区域限定的。
音频输出问题： 如果合成功，但听不到声音或文件损坏，检查你指定的音频输出格式是否正确，以及你的播放设备或文件读取程序是否支持该格式。

遇到问题时，仔细阅读错误消息非常重要。Azure 提供的错误信息通常能指出问题的根源。同时，查阅 Azure Speech Service 的官方文档是解决疑难问题的最佳途径。

第七部分：总结与展望

通过本指南，你应该已经了解了 Azure Text-to-Speech 的基本概念，掌握了如何创建 Speech Service 资源并获取密钥，并通过 Speech Studio、REST API 和 Speech SDK 三种主要方式实现了文本到语音的合成。你还初步了解了 SSML 在语音定制中的作用。

Azure TTS 凭借其高质量的神经语音和灵活的集成方式，能够帮助你在各种应用中提升用户体验，实现更自然的人机交互。无论是为无障碍应用提供语音朗读、为视频内容生成旁白、构建智能语音助手，还是自动化电话客服系统，Azure TTS 都能提供强大的支持。

入门只是第一步，Azure Speech Service 还有更多高级功能等待你去探索，例如批量合成、自定义语音等。鼓励你继续查阅官方文档，尝试不同的语音和 SSML 标签，将 Azure TTS 集成到你的项目中，释放语音技术的巨大潜力！

祝你在 Azure TTS 的探索之旅中一切顺利！

Azure TTS 入门指南：快速上手 – wiki基地

Azure TTS 入门指南：快速上手

在此处替换为你的 Speech Service 资源的订阅密钥和区域

建议使用环境变量来管理密钥，例如 os.environ.get(“SPEECH_KEY”)

如果你使用环境变量，请确保在运行脚本前设置好它们

要合成的文本

或者使用 SSML 来指定语音和更多控制

ssml_text = “””

您好，这是使用 Azure Speech SDK 和 SSML 合成的中文语音。

语速稍微慢一些，听起来怎么样？

“””

— 调用函数进行合成 —

发表评论取消回复

Azure TTS 入门指南：快速上手

在此处替换为你的 Speech Service 资源的订阅密钥和区域

建议使用环境变量来管理密钥，例如 os.environ.get(“SPEECH_KEY”)

如果你使用环境变量，请确保在运行脚本前设置好它们

要合成的文本

或者使用 SSML 来指定语音和更多控制

ssml_text = “””

您好，这是使用 Azure Speech SDK 和 SSML 合成的中文语音。

语速稍微慢一些，听起来怎么样？

“””

— 调用函数进行合成 —

发表评论 取消回复

发表评论取消回复