用腾讯云语音合成（TTS）批量生成英语绘本的朗读音频

孩子进行英语启蒙，需要看很多英语绘本，而且要听配套的音频来练听力。但有些英语绘本是没有对应音频的，下面简单几步，就可以将任意英语绘本制作出对应的英语朗读音频。

先到电子书资源网站搜索这个绘本名称，如果有电子书，可以直接下载，最好是pdf格式的；

如果没有电子书，但是有实体书，比如从图书馆借的绘本，可以用手机拍照做成PDF文件。

绘本每一页拍照后，按照页码顺序选择，然后点击：更多——打印或生成PDF

点击右上角，选择：另存为PDF

选择一个文件夹，保存，然后将这个PDF文件传输到电脑。

得到绘本的PDF文件后，然后申请一个腾讯云的账号，新用户可以领取一个语音合成的免费资源包，内含800万调用字符，有效期为3个月。语音合成（Text To Speech，TTS）可以将文本转化成拟人化语音，提供多种音色选择，支持自定义音量、语速，让发音更自然、更专业、更符合场景需求。语音合成可以应用于语音导航、有声读物、机器人、语音助手、自动新闻播报等场景。

不过注意，这个语音合成-通用免费资源包不含长文本，一次最多只能支持500个英文字母的语音合成。

然后，在deepseek输入框中输入提示词：

你是一个Python编程专家，要写一个通过腾讯云的语音合成API进行批量AI英语语音合成的Python脚本，具体步骤如下：

腾讯云SecretId:XXX，SecretKey:XXX

读取文件夹“F:\aivideo”中的pdf文件，如果pdf文件是图像格式，调用Tesseract进行OCR文本识别，提取出全部的文本内容；如果不是图像格式，直接提取其全部文本内容；

对于每个pdf文件，创建一个TextToVoice基础语音合成任务（语言为英语），然后定期检查任务状态，直到任务完成或失败。完成后，将语音合成结果保存到本地文件。识别结果保存到文件夹：F:\\aivideo ，文件名为对应的pdf文件名，格式为mp3，采样率为16000 Hz

注意：

一次请求有字数限制：英文最大支持400个字母，包括标点符号在内。如果pdf文本中字母超过400个，要对文本进行拆分，然后语音合成，语音合成完成后，按顺序把语音文件合并成一个。

在保存音频文件时，需要确保传入的是字节对象而不是字符串。

如果创建任务或查询状态时发生错误，应该打印错误信息；

每一步都要输出信息到屏幕上；

输出参数

参数名称类型描述

AudioStringbase64编码的wav/mp3音频数据

示例值：UklGRlR/AABXQVZFZm10IBAAAAABAAEAgD4AAAB9AAACABAAZGF0YSx9AAD+

输出示例：

{

"Response": {

"Audio": "UklGRqRwAABXQVZFZm10IBAAAAABAAEAgD4AAAB9AAACABAAZGF0YYBwAAAA......AAAAA=",

"RequestId": "d91f1496-0514-4281-932e-15a022b67d16",

"SessionId": "session-1234",

"Subtitles": [

{

"BeginIndex": 0,

"BeginTime": 250,

"EndIndex": 1,

"EndTime": 430,

"Phoneme": "ni2",

"Text": "你"

},

{

"BeginIndex": 1,

"BeginTime": 430,

"EndIndex": 2,

"EndTime": 670,

"Phoneme": "hao3",

"Text": "好"

}

]

}

}

Deepseek生成的源代码：

import os

import time

import json

import base64

import PyPDF2

import pytesseract

from pdf2image import convert_from_path

from tencentcloud.common import credential

from tencentcloud.common.profile.client_profile import ClientProfile

from tencentcloud.common.profile.http_profile import HttpProfile

from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException

from tencentcloud.tts.v20190823 import tts_client, models

import moviepy.editor as mp

# 腾讯云API的SecretId和SecretKey

SECRET_ID = "XXX"

SECRET_KEY = "XXX"

# 文件夹路径

PDF_FOLDER = "F:\\aivideo"

def extract_text_from_pdf(pdf_path):

try:

# 尝试使用PyPDF2读取PDF文本

with open(pdf_path, 'rb') as file:

reader = PyPDF2.PdfFileReader(file)

text = ""

for page_num in range(reader.numPages):

page = reader.getPage(page_num)

text += page.extract_text()

return text

except:

# 如果失败，使用pdf2image和pytesseract进行OCR

images = convert_from_path(pdf_path)

text = ""

for image in images:

text += pytesseract.image_to_string(image, lang='eng')

return text

def split_text(text, max_length=400):

words = text.split()

chunks = []

current_chunk = []

current_length = 0

for word in words:

if current_length + len(word) + 1 > max_length:

chunks.append(' '.join(current_chunk))

current_chunk = [word]

current_length = len(word)

else:

current_chunk.append(word)

current_length += len(word) + 1

if current_chunk:

chunks.append(' '.join(current_chunk))

return chunks

def create_tts_task(client, text):

try:

req = models.TextToVoiceRequest()

params = {

"Text": text,

"SessionId": str(int(time.time())),

"ModelType": 1,

"VoiceType": 101001, # 英语女声

"SampleRate": 16000

}

req.from_json_string(json.dumps(params))

resp = client.TextToVoice(req)

return resp.Audio

except TencentCloudSDKException as err:

print(f"Error creating TTS task: {err}")

return None

def save_audio_to_file(audio, file_path):

with open(file_path, 'wb') as f:

f.write(base64.b64decode(audio))

print(f"Audio saved to {file_path}")

def merge_audio_files(file_paths, output_path):

clips = [mp.AudioFileClip(f) for f in file_paths]

final_clip = mp.concatenate_audioclips(clips)

final_clip.write_audiofile(output_path, codec='mp3')

for f in file_paths:

os.remove(f)

print(f"Merged audio saved to {output_path}")

def main():

cred = credential.Credential(SECRET_ID, SECRET_KEY)

httpProfile = HttpProfile()

httpProfile.endpoint = "http://tts.tencentcloudapi.com"

clientProfile = ClientProfile()

clientProfile.httpProfile = httpProfile

client = tts_client.TtsClient(cred, "ap-guangzhou", clientProfile)

for filename in os.listdir(PDF_FOLDER):

if filename.endswith('.pdf'):

pdf_path = os.path.join(PDF_FOLDER, filename)

print(f"Processing {pdf_path}")

text = extract_text_from_pdf(pdf_path)

if text:

chunks = split_text(text)

audio_files = []

for i, chunk in enumerate(chunks):

audio = create_tts_task(client, chunk)

if audio:

temp_file_path = os.path.join(PDF_FOLDER, f"temp_{i}.mp3")

save_audio_to_file(audio, temp_file_path)

audio_files.append(temp_file_path)

if audio_files:

output_file_path = os.path.join(PDF_FOLDER, os.path.splitext(filename)[0] + '.mp3')

merge_audio_files(audio_files, output_file_path)

else:

print(f"No text extracted from {pdf_path}")

if __name__ == "__main__":

main()

程序运行成功，pdf文本完美的转换为音频文件，朗读音色很自然，和真人非常接近。

回到腾讯云控制台，点击：语音合成资源包，可以查看刚才程序运行消耗的字符数量和剩余字符数量。

可以看到，一本简单的英文绘本消耗了3712个字符，免费的语音合成资源包支持8000000个字符，大概可以转换2000本左右英文绘本。