最近在调研使用各个云平台提供的AI服务,有个语音合成的需求因此就使用了一下科大讯飞的TTS服务,也用.NET Core写了一个小示例,下面就是这个小示例及其相关背景知识的介绍。
一、什么是语音合成(TTS)
1.1 What is 语音合成?
将文字信息转化为声音信息,给应用配上“嘴巴”,这就是语音合成。
Note:语音合成和语音识别技术是实现人机语音通信,建立一个有听和讲能力的口语系统所必需的两项关键技术。使电脑具有类似于人一样的说话能力,是当今时代信息产业的重要竞争市场。和语音识别相比,语音合成的技术相对说来要成熟一些,并已开始向产业化方向成功迈进,大规模应用指日可待。
1.2 语音合成的应用场景
目前,语音合成技术在我们生活中具有广泛的应用,如机器人发声、有声读物制作、语音播报等等,这些应用场景都离不开语音合成。
Note:在语音导航应用、新闻类 APP 中,语音合成可以快速生成高质量的播报音频,实现在开车、走路等不方便阅读消息的情况下,音频消息的即时传达。
1.3 语音合成的基本原理
这里借用网易智能的一篇文章中的介绍如下:
简单来说语音合成分为文本分析、韵律分析和声学分析三个部分。通过文本分析提取出文本特征,在此基础上预测基频、时长、节奏等多种韵律特征,然后通过声学模型实现从前端参数到语音参数的映射,最后通过声码器合成语音。整个过程类似于“编码、信息匹配,解码的过程”。
对语音合成有兴趣的朋友,可以阅读以下这篇文章《吴恩达盛赞的Deep Voice详解教程,教你快速理解百度的语音合成原理》。
二、使用.NET Core调用讯飞API
2.1 科大讯飞TTS服务
讯飞提供了众多极具特色的发音人(音库)供您选择。其合成音在音色、自然度等方面的表现均接近甚至超过了人声。这种语音合成体验,达到了真正可商用的标准。在我对百度、阿里、腾讯及讯飞的TTS服务对比中,讯飞的TTS体验好一些,且发音人(音库)最为丰富,还有四川话(准确来说是成都话)音库,碉堡了。大家可以去讯飞TTS服务网页体验一下。
2.2 .NET Core调用示例
(1)首先得去讯飞开放平台注册一个账号,并申请一个勾选有“在线语音合成”的应用
这里主要是拿到AppID及ApiKey,并且可以通过发音人管理增加发音库,当然,高级版的音库都是要单独收费的。免费版本的每天有500次的免费API调用机会。
(2)参考官方API文档和C# DEMO
PS:由于讯飞官方提供的C# DEMO是一个基于.NET Framework的比较老的DEMO,在.NET Core下无法正常使用,我将其简单地改写成了.NET Core版本,并封装了一个XunFeiCloudTtsService类如下:(每个属性都有注释,不再赘述,只是对API调用需要的一些属性的简单封装)
public classXunFeiCloudTtsService {//Header Type : audio/mpegprivate const string AUDIO_MPEG_TYPE = "audio/mpeg";//AppID, AppKey 从讯飞开放云平台获取public string AppID { get; set; } = "your AppID";public string ApiKey { get; set; } = "your ApiKey";//要进行合成的文字public string TextToSpeech { get; set; } = "这是一段测试文字";//讯飞TTS服务API地址public string ServiceUrl { get; set; } = "http://api.xfyun.cn/v1/service/v1/tts";//aue = raw, 音频文件保存类型为 wav//aue = lame, 音频文件保存类型为 mp3public string AUE { get; set; } = "raw";//音频采样率,可选值:audio/L16;rate=8000,audio/L16;rate=16000public string AUF { get; set; } = "audio/L16;rate=16000";//发音人,可选值:详见控制台-我的应用-在线语音合成服务管理-发音人授权管理public string VoiceName { get; set; } = "xiaoyan";//引擎类型,可选值:aisound(普通效果),intp65(中文),intp65_en(英文),//mtts(小语种,需配合小语种发音人使用),x(优化效果),//默认为intp65public string EngineType { get; set; } = "intp65";//语速,可选值:[0-100],默认为50public string Speed { get; set; } = "50";//音量,可选值:[0-100],默认为50public string Volume { get; set; } = "50";//音高,可选值:[0-100],默认为50public string Pitch { get; set; } = "50";//URL加密后的TextToSpeechpublic string Bodys { get; set; }//要保存的文件夹路径public string SavePath { get; set; } = "./Output/";//要保存的文件名public string FileName { get; set; } = $"TTS-{ Guid.NewGuid().ToString() }";staticXunFeiCloudTtsService() { Encoding.RegisterProvider(CodePagesEncodingProvider.Instance); }publicXunFeiCloudTtsService() { }public XunFeiCloudTtsService(string appID, string apiKey, stringserviceUrl) { AppID =appID; ApiKey =apiKey; ServiceUrl =serviceUrl; }public stringGetTtsResult() { SetTextDataBodys();string param = "{"aue":"" + AUE + "","auf":"" + AUF + "","voice_name":"" + VoiceName + "","engine_type":""+ EngineType + "","speed":"" + Speed + "","volume":"" + Volume + "","pitch":"" + Pitch + ""}";//获取十位的时间戳TimeSpan ts = DateTime.UtcNow - new DateTime(1970, 1, 1, 0, 0, 0, 0);string curTime =Convert.ToInt64(ts.TotalSeconds).ToString();//对参数先utf-8然后用base64编码byte[] paramData =Encoding.UTF8.GetBytes(param);string paraBase64 =Convert.ToBase64String(paramData);//形成签名string checkSum = Md5(ApiKey + curTime +paraBase64);//设置HttpHeadersvar ttsRequest =(HttpWebRequest)WebRequest.Create(ServiceUrl); ttsRequest.Method = "POST"; ttsRequest.ContentType = "application/x-www-form-urlencoded"; ttsRequest.Headers.Add("X-Param", paraBase64); ttsRequest.Headers.Add("X-CurTime", curTime); ttsRequest.Headers.Add("X-Appid", AppID); ttsRequest.Headers.Add("X-CheckSum", checkSum);using (Stream requestStream =ttsRequest.GetRequestStream()) {using (StreamWriter streamWriter = new StreamWriter(requestStream, Encoding.GetEncoding("gb2312"))) { streamWriter.Write(Bodys); } }string responseText = string.Empty; HttpWebResponse ttsResponse = ttsRequest.GetResponse() asHttpWebResponse;using (Stream responseStream =ttsResponse.GetResponseStream()) {using (StreamReader streamReader = new StreamReader(responseStream, Encoding.GetEncoding("UTF-8"))) {string headerType = ttsResponse.Headers["Content-Type"];if(headerType.Equals(AUDIO_MPEG_TYPE)) { responseText =GetSuccessResponseText(ttsResponse); }else{ responseText =streamReader.ReadToEnd(); } } }returnresponseText; }#region 私有辅助方法/// <summary>///获取请求成功的响应文本/// </summary>/// <param name="ttsResponse">HttpWebResponse</param>/// <returns>响应Headers文本</returns>private stringGetSuccessResponseText(HttpWebResponse ttsResponse) {string responseText = string.Empty;using (Stream stream =ttsResponse.GetResponseStream()) { MemoryStream memoryStream =StreamToMemoryStream(stream);if (!Directory.Exists(SavePath)) { Directory.CreateDirectory(SavePath); }string fileType = string.Empty;switch(AUE.ToLower()) {case "raw": fileType = "wav";break;case "lame": fileType = "lame";break; } File.WriteAllBytes($"{SavePath}{FileName}.{fileType}", streamTobyte(memoryStream)); responseText =ttsResponse.Headers.ToString(); }returnresponseText; }/// <summary>///对要合成语音的文字先用utf-8然后进行URL加密/// </summary>private voidSetTextDataBodys() {byte[] textData =Encoding.UTF8.GetBytes(TextToSpeech); TextToSpeech =HttpUtility.UrlEncode(textData); Bodys = string.Format("text={0}", TextToSpeech); }/// <summary>///生成令牌 :X-CheckSum///计算方法:MD5(apiKey + curTime + param),三个值拼接的字符串,进行MD5哈希计算(32位小写),其中apiKey由讯飞提供,调用方管理。/// </summary>/// <param name="token">apiKey + curTime + param</param>/// <returns>X-CheckSum</returns>private string Md5(stringtoken) { MD5 md5 = newMD5CryptoServiceProvider();byte[] bytes =Encoding.UTF8.GetBytes(token); bytes =md5.ComputeHash(bytes); md5.Clear(); StringBuilder sb = newStringBuilder();for (int i = 0; i < bytes.Length; i++) { sb.Append(Convert.ToString(bytes[i], 16).PadLeft(2, '0')); }return sb.ToString().PadLeft(32, '0'); }/// <summary>///将流转换为缓存流/// </summary>/// <param name="instream">输入流</param>/// <returns>输出流</returns>privateMemoryStream StreamToMemoryStream(Stream instream) { MemoryStream outstream = newMemoryStream();const int bufferLen = 4096;byte[] buffer = new byte[bufferLen];int count = 0;while ((count = instream.Read(buffer, 0, bufferLen)) > 0) { outstream.Write(buffer, 0, count); }returnoutstream; }/// <summary>///把缓存流转换成字节组/// </summary>/// <param name="memoryStream">缓存刘</param>/// <returns>字节数组</returns>private byte[] streamTobyte(MemoryStream memoryStream) {byte[] buffer = new byte[memoryStream.Length]; memoryStream.Seek(0, SeekOrigin.Begin); memoryStream.Read(buffer, 0, buffer.Length);returnbuffer; }#endregion}
*.由于.NET Core下Encoding默认不支持GB2312,因此需要事先引入一个包:System.Text.Encoding.CodePages,然后在程序启动时注册一下,这里已经封装静态构造函数里面了。
NuGet>Install-Package System.Text.Encoding.CodePages
客户端调用:
public classProgram {public static void Main(string[] args) { XunFeiCloudTtsService ttsService = newXunFeiCloudTtsService(); ttsService.AppID = "5c3806f12121"; ttsService.ApiKey = "a99fff9fc537d883a181231231a37bf56dc8f28"; ttsService.TextToSpeech = "大家好我是第一个语音合成!"; ttsService.SavePath = "./TTS-Result/"; ttsService.FileName = "Hello-TTS"; ttsService.Speed = "60";var result =ttsService.GetTtsResult(); Console.WriteLine(result); Console.ReadKey(); } }
*.这里AppID和ApiKey请使用你自己的,我博文这里是乱写的。
调用结果:
(1)响应结果
*.如果提示illegal client ip,请到控制台中加入白名单列表:
(2)语音文件
So,播放一下?
三、小结
有了语音合成,我们可以在我们的业务系统或者App中有了更多的玩法,虽然我们不了解语音合成的具体实现原理。此文只是一个简单的使用示例,无更多的内容,希望对你有帮助,本文的示例代码可以点击这里。
参考资料
(1)科大讯飞开放云平台,《在线语音合成服务》
(2)科大讯飞TTS服务,API说明文档
(3)网易智能,《让机器说话更自然,语音合成还能干什么》