搭建AI文本转语音服务

最近看到太多"这个男人叫小帅"的配音视频，有点审美疲劳了，球球你们换个有感情的AI配音吧。 用了下微软跟Google的文本转语音服务，对比了下，微软的效果强太多了，AI风格有很多，并且多数感情丰富，还支持多种方言配音。最关键的是，每个月有50万字符的免费使用额度。 这还不赶紧用起来。

首先上官网链接：VoiceGallery, 你可以在这里试用各种风格的配音。先在Language中，选择你要的语言，可以把中文都勾选上，这里是我收藏的几个配音，比如这个yunze，你可以试听一下，就是纪录片风格的配音。

准备

你需要先注册一个微软帐号，然后开通微软的azure服务，可以到官网进行注册：Microsoft Azure，我是注册的国际区的，不是中国区。 中国区的我不清楚，你可以自行研究。

注册完之后，就可以到前面VoiceGallery的链接中，试用下这些语音。其实代码很简单，你可以看到上面VoiceGallery中，选了一个配音，右边播放旁边，还有个Sample Code，复制Python代码你就可以运行起来了。或者在他这个页面的下方也可以直接在网页端使用。但是你需要先按照下面的步骤，开通该服务，并得到服务的访问Key

开通Speech services服务

来到你的portal首页：Microsoft Portal 点击搜索，输入speech，即可看到speech services，如下： 点击进去，如果你没有创建过，会显示空白，点击上面的create按钮，新建一个服务: 按照我截图的根据自己情况选择，定价层记得用F0，这是免费使用的，每个月限额，超出会停止使用，不会扣钱，其他层级会根据超出的情况按照付费标准从信用卡中扣除。

你可以到价格文档中，看到免费使用的额度，以及标准付费的收费标准, 我们待会要使用的就是这个免费额度。

回到新建服务的页面，点击Next按钮，其他信息一路默认，然后Create即可。 新建完之后，回到Speech service的页面，可以看到刚才新建好的出现在这了，点击进去查看具体信息:

然后你就可以看到Key，region，Endpoint等信息，待会要用到：

使用文本转语音服务

记得一开头的VoiceGallery吗，回到那个地方，这时候你有两种使用方法，一种是直接在微软提供的网页端进行使用，另一种，如果你想要更方便的本地化部署，或者用脚本/代码运行，可以用官方提供的API服务，以及各种编程语言对应的SDK。

网页控制台使用

点击这个地方，可以使用微软提供的web端，直接导入文字进行语音合成，非常方便:

然后在控制台中，输入你想要生成语音的文本内容，点击上方的播放按钮，稍等片刻，就会返回结果，并且自动开始播放语音，可以将文件保存到本地，就完成了文本转语音的任务。如下：

是不是非常简单。如果你想要使用其他风格，在这个页面也可以非常方便的切换。

API调用方式

微软提供了API的调用方式，也给各种编程语言封装了SDK，把这段代码复制下来，放在本地运行即可:

这里是官网的教程：Python QuickStart

我稍微改了下，转完之后，将语音保存到本地文件:

import os
import azure.cognitiveservices.speech as speechsdk

input_text = "你好，我是麦克阿瑟"
# This example requires environment variables named "SPEECH_KEY" and "SPEECH_REGION"
speech_config = speechsdk.SpeechConfig(subscription=os.environ.get('SPEECH_KEY'), region=os.environ.get('SPEECH_REGION'))
# audio_config = speechsdk.audio.AudioOutputConfig(use_default_speaker=True)
audio_config = speechsdk.audio.AudioOutputConfig(filename='output.wav')

# The language of the voice that speaks.
speech_config.speech_synthesis_voice_name='zh-CN-YunzeNeural'

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

text = input_text

speech_synthesis_result = speech_synthesizer.speak_text_async(text).get()

if speech_synthesis_result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    print("Speech synthesized for text [{}]".format(text))
elif speech_synthesis_result.reason == speechsdk.ResultReason.Canceled:
    cancellation_details = speech_synthesis_result.cancellation_details
    print("Speech synthesis canceled: {}".format(cancellation_details.reason))
    if cancellation_details.reason == speechsdk.CancellationReason.Error:
        if cancellation_details.error_details:
            print("Error details: {}".format(cancellation_details.error_details))
            print("Did you set the speech resource key and region values?")

经过测试，微软的这个配音，真的比小帅配音有感情多了，断句非常准。球球你们快去换个配音吧。