使用科大讯飞语音在线合成服务实现中文文本转语音全攻略

置顶 LaoYuanPython

已于 2025-01-01 15:36:39 修改

阅读量2.5k

点赞数 30

分类专栏： PyQt+moviepy音视频剪辑实战老猿Python 文章标签： python 科大讯飞语音合成音视频剪辑文本转语音TTS 统信UOS

于 2025-01-01 15:30:22 首次发布

本文链接：https://blog.csdn.net/LaoYuanPython/article/details/144827129

版权

老猿Python 同时被 2 个专栏收录

1144 篇文章

订阅专栏

PyQt+moviepy音视频剪辑实战

87 篇文章

订阅专栏

☞ ░ 前往老猿Python博客 ░ https://blog.csdn.net/LaoYuanPython

一、引言

因亲友的诉求，需要一个支持动态文本转语音TTS的程序，来支持一些个性化的需求。老猿以前没研究过，认为这个很容易，具体实现时却遇到了如下难题：

本人的操作系统是ARM主机的统信操作系统，操作系统支持直接在文本编辑器中朗读中文，且语音清晰，但笔者没有找到相关命令或者API支持自己定制使用；
网上推荐的espeak，在统信系统上安装完之后只支持英文朗读，下载了中文数据之后，执行espeak–compile=="zh"报错，找不到规则库来执行，不知道在其他操作系统是否正常；
marytts也是推荐比较多的，但下载下来之后要编译，而其相关库不支持ARM+UOS的组合，无法执行应用构建。

想起科大讯飞是国内语音处理的头部应用商，因此就决定使用科大讯飞试试，再开始想用离线语音合成方式，发现提供的库也不支持ARM+UOS的组合，因此最后只能选择科大讯飞在线语音合成的服务来支持。

在这里插入图片描述

二、订购科大讯飞在线语音合成服务

在科大讯飞官网注册用户，并进行实名制登记，具体操作在此不详细介绍；
重新回到科大讯飞官网，选择应用类型，TTS可以选择：语音合成->在线语音合成，如图：

点击在线语音合成，出现：

选择免费试用，出现：

选择：立即领取。

选择在线语音合成，点击立即领取。
在这里插入图片描述
选择：个人免费套餐，进入后选择自己已经命名的应用或点击下图的加号创建新应用：

下面以创建新应用来说明。

点击上图加号后出现应用创建页面，填写自己定的应用名（笔者前面已经注册了应用：中文TTS_ONLINE，这里随意填写应用名为：TTS），随意选择一个适合的分类，填写应用说明，如图：

点击提交。出现页面点击：确认下单，如图：

这样就创建了新的应用。
获取注册用户和应用的APPID等信息
通过官网首页点击右上角的控制台：

进入后出现在即的应用列表，如图：

选择自己的应用点击后进入如下界面：

点击旁边的更多服务信息查询，就在右侧出现：Websocket服务接口认证信息，如图：

在这里插入图片描述
这样就可以得到自己注册的应用信息，后续程序中需要使用。

在当前页面，在左侧的选项往下，可以看到：
在这里插入图片描述
选择在线语音合成，出现如下页面：

在右下部可以看到API文档，点击：文档，进入如下页面：
在这里插入图片描述
点击下载Demo。

三、关于下载的SDK

下载的SDK源码文件名为：tts_ws_python3_demo.py，代码如下：

# -*- coding:utf-8 -*-
#
#   author: iflytek
#
#  本demo测试时运行的环境为：Windows + Python3.7
#  本demo测试成功运行时所安装的第三方库及其版本如下：
#   cffi==1.12.3
#   gevent==1.4.0
#   greenlet==0.4.15
#   pycparser==2.19
#   six==1.12.0
#   websocket==0.2.1
#   websocket-client==0.56.0
#   合成小语种需要传输小语种文本、使用小语种发音人vcn、tte=unicode以及修改文本编码方式
#  错误码链接：https://www.xfyun.cn/document/error-code （code返回错误码时必看）
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
import websocket
import datetime
import hashlib
import base64
import hmac
import json
from urllib.parse import urlencode
import time
import ssl
from wsgiref.handlers import format_date_time
from datetime import datetime
from time import mktime
import _thread as thread
import os


STATUS_FIRST_FRAME = 0  # 第一帧的标识
STATUS_CONTINUE_FRAME = 1  # 中间帧标识
STATUS_LAST_FRAME = 2  # 最后一帧的标识


class Ws_Param(object):
    # 初始化
    def __init__(self, APPID, APIKey, APISecret, Text):
        self.APPID = APPID
        self.APIKey = APIKey
        self.APISecret = APISecret
        self.Text = Text

        # 公共参数(common)
        self.CommonArgs = {"app_id": self.APPID}
        # 业务参数(business)，更多个性化参数可在官网查看
        self.BusinessArgs = {"aue": "raw", "auf": "audio/L16;rate=16000", "vcn": "xiaoyan", "tte": "utf8"}
        self.Data = {"status": 2, "text": str(base64.b64encode(self.Text.encode('utf-8')), "UTF8")}
        #使用小语种须使用以下方式，此处的unicode指的是 utf16小端的编码方式，即"UTF-16LE"”
        #self.Data = {"status": 2, "text": str(base64.b64encode(self.Text.encode('utf-16')), "UTF8")}

    # 生成url
    def create_url(self):
        url = 'wss://tts-api.xfyun.cn/v2/tts'
        # 生成RFC1123格式的时间戳
        now = datetime.now()
        date = format_date_time(mktime(now.timetuple()))

        # 拼接字符串
        signature_origin = "host: " + "ws-api.xfyun.cn" + "\n"
        signature_origin += "date: " + date + "\n"
        signature_origin += "GET " + "/v2/tts " + "HTTP/1.1"
        # 进行hmac-sha256进行加密
        signature_sha = hmac.new(self.APISecret.encode('utf-8'), signature_origin.encode('utf-8'),
                                 digestmod=hashlib.sha256).digest()
        signature_sha = base64.b64encode(signature_sha).decode(encoding='utf-8')

        authorization_origin = "api_key=\"%s\", algorithm=\"%s\", headers=\"%s\", signature=\"%s\"" % (
            self.APIKey, "hmac-sha256", "host date request-line", signature_sha)
        authorization = base64.b64encode(authorization_origin.encode('utf-8')).decode(encoding='utf-8')
        # 将请求的鉴权参数组合为字典
        v = {
            "authorization": authorization,
            "date": date,
            "host": "ws-api.xfyun.cn"
        }
        # 拼接鉴权参数，生成url
        url = url + '?' + urlencode(v)
        # print("date: ",date)
        # print("v: ",v)
        # 此处打印出建立连接时候的url,参考本demo的时候可取消上方打印的注释，比对相同参数时生成的url与自己代码生成的url是否一致
        # print('websocket url :', url)
        return url

def on_message(ws, message):
    try:
        message =json.loads(message)
        code = message["code"]
        sid = message["sid"]
        audio = message["data"]["audio"]
        audio = base64.b64decode(audio)
        status = message["data"]["status"]
        print(message)
        if status == 2:
            print("ws is closed")
            ws.close()
        if code != 0:
            errMsg = message["message"]
            print("sid:%s call error:%s code is:%s" % (sid, errMsg, code))
        else:

            with open('./demo.pcm', 'ab') as f:
                f.write(audio)

    except Exception as e:
        print("receive msg,but parse exception:", e)



# 收到websocket错误的处理
def on_error(ws, error):
    print("### error:", error)


# 收到websocket关闭的处理
def on_close(ws):
    print("### closed ###")


# 收到websocket连接建立的处理
def on_open(ws):
    def run(*args):
        d = {"common": wsParam.CommonArgs,
             "business": wsParam.BusinessArgs,
             "data": wsParam.Data,
             }
        d = json.dumps(d)
        print("------>开始发送文本数据")
        ws.send(d)
        if os.path.exists('./demo.pcm'):
            os.remove('./demo.pcm')

    thread.start_new_thread(run, ())


if __name__ == "__main__":
    # 测试时候在此处正确填写相关信息即可运行
    wsParam = Ws_Param(APPID=' ', APISecret=' ',
                       APIKey=' ',
                       Text="这是一个语音合成示例")
    websocket.enableTrace(False)
    wsUrl = wsParam.create_url()
    ws = websocket.WebSocketApp(wsUrl, on_message=on_message, on_error=on_error, on_close=on_close)
    ws.on_open = on_open
    ws.run_forever(sslopt={"cert_reqs": ssl.CERT_NONE})

关于该代码实际使用还是存在问题的，需要注意以下：

import websocket的websocket库名并不是websocket，如果安装应该安装websocket-client，但要命的是确实有个websocket库，安装错了的话，要先卸载再安装websocket-client，导入语句还是import websocket不变，这二者的关系不展开介绍，但如果先安装了websocket库并执行过导入的话，卸载再安装后要退出Python环境（IDE或终端）再重新导入，否则同一个导入语句不会重新执行，导致websocket-client的类不认；
on_close的函数参数定义不对，在demo中只定义了一个参数，实际上需要三个参数，应该定义为：def on_close(ws,close_status_code, close_msg):
将APPID等信息用自己的数据进行替换：wsParam = Ws_Param(APPID=' ', APISecret=' ', APIKey=' ', Text="这是一个语音合成示例")的内容;
该代码生成的音频保存在pcm文件内，并不是MP3，如果要转换为MP3还要再处理，笔者在付费专栏文章《封装科大讯飞语音在线合成服务快捷实现中文文本转语音TTS服务 https://blog.csdn.net/LaoYuanPython/article/details/144865924》提供了一种处理方式。

按照以上3点修改代码，就可以运行官方提供的代码生成PCM音频了，如果要转成MP3，还需要进一步处理。

四、小结

本文介绍了在科大讯飞创建文本转语音应用的详细步骤，并提供了官网平台demo下载的方法，但下载的代码存在3个影响运行的问题，老猿将其总结了下，并给出了完善建议，大家按照建议进行处理，就能真正完成一个中文文本转语音的示例了。

最后，给讯飞提一个建议：讯飞的能力是有免费试用期的，过了免费期要收费，这是应有之意，但上面的定价都是企业或大户才会订购的，能否给个人开发者提供一个订购的内容和价格，毕竟个人开发者并不需要大范围使用，一台机器按条收费就可以接受了，一般也不需要频繁调用，如果要有套餐价，以10元为起点的系列订购价可能更受欢迎。