ROS语音交互——科大讯飞语音合成TTS（二）

最新推荐文章于 2024-01-22 17:19:41 发布

asm2826

最新推荐文章于 2024-01-22 17:19:41 发布

阅读量405

点赞数

文章标签：人工智能操作系统 javascript ViewUI

原文链接：http://www.cnblogs.com/CZM-/p/6204233.html

版权

之前我用过科大讯飞的语音包，为了记录一下我重新使用一下

首先注册科大讯飞账号及应用，以后每个下载的在线使用SDK都是以此账户ID登录讯飞语音服务器。

下载科大讯飞在线合成包。

$ unzip Linux_voice_1135_57f49f64\ \(1\).zip

　文件目录示意图

.
├── bin
│   ├── gm_continuous_digit.abnf
│   ├── msc
│   │   └── msc.cfg
│   ├── source.txt
│   ├── userwords.txt
│   └── wav
│       ├── iflytek01.wav
│       ├── iflytek02.wav
│       └── weather.pcm
├── doc
│   ├── Grammar Development Guidelines.chm
│   ├── iFlytek MSC Reference Manual
│   │   ├── all__0_8js.html
│   │   ├── all__1_8js.html
│   │   ├── arrowdown.png
│   │   ├── arrowright.png
│   │   ├── bc_s.png
│   │   ├── bdwn.png
│   │   ├── closed.png
│   │   ├── dir_25539194184bab781b1c7ecd67774cd8.html
│   │   ├── dir_9a65024ac0a05d9abfc2bb6c7ff8f818.html
│   │   ├── doc.png
│   │   ├── doxygen.css
│   │   ├── doxygen.png
│   │   ├── dynsections_8js.html
│   │   ├── dynsections.js
│   │   ├── files__0_8js.html
│   │   ├── files__1_8js.html
│   │   ├── files.html
│   │   ├── folderclosed.png
│   │   ├── folderopen.png
│   │   ├── functions__0_8js.html
│   │   ├── functions__1_8js.html
│   │   ├── globals_func.html
│   │   ├── globals.html
│   │   ├── globals_vars.html
│   │   ├── index.html
│   │   ├── jquery_8js.html
│   │   ├── jquery.js
│   │   ├── msp__cmn_8h.html
│   │   ├── msp__cmn_8h_source.html
│   │   ├── nav_f.png
│   │   ├── nav_g.png
│   │   ├── nav_h.png
│   │   ├── open.png
│   │   ├── qisr_8h.html
│   │   ├── qisr_8h_source.html
│   │   ├── qmfv_8h.html
│   │   ├── qmfv_8h_source.html
│   │   ├── qtts_8h.html
│   │   ├── qtts_8h_source.html
│   │   ├── search
│   │   │   ├── all_0.html
│   │   │   ├── all_0.js
│   │   │   ├── all_10.html
│   │   │   ├── all_10.js
│   │   │   ├── all_11.html
│   │   │   ├── all_11.js
│   │   │   ├── all_1.html
│   │   │   ├── all_1.js
│   │   │   ├── all_2.html
│   │   │   ├── all_2.js
│   │   │   ├── all_3.html
│   │   │   ├── all_3.js
│   │   │   ├── all_4.html
│   │   │   ├── all_4.js
│   │   │   ├── all_5.html
│   │   │   ├── all_5.js
│   │   │   ├── all_6.html
│   │   │   ├── all_6.js
│   │   │   ├── all_7.html
│   │   │   ├── all_7.js
│   │   │   ├── all_8.html
│   │   │   ├── all_8.js
│   │   │   ├── all_9.html
│   │   │   ├── all_9.js
│   │   │   ├── all_a.html
│   │   │   ├── all_a.js
│   │   │   ├── all_b.html
│   │   │   ├── all_b.js
│   │   │   ├── all_c.html
│   │   │   ├── all_c.js
│   │   │   ├── all_d.html
│   │   │   ├── all_d.js
│   │   │   ├── all_e.html
│   │   │   ├── all_e.js
│   │   │   ├── all_f.html
│   │   │   ├── all_f.js
│   │   │   ├── close.png
│   │   │   ├── files_0.html
│   │   │   ├── files_0.js
│   │   │   ├── files_1.html
│   │   │   ├── files_1.js
│   │   │   ├── files_2.html
│   │   │   ├── files_2.js
│   │   │   ├── files_3.html
│   │   │   ├── files_3.js
│   │   │   ├── files_4.html
│   │   │   ├── files_4.js
│   │   │   ├── files_5.html
│   │   │   ├── files_5.js
│   │   │   ├── files_6.html
│   │   │   ├── files_6.js
│   │   │   ├── functions_0.html
│   │   │   ├── functions_0.js
│   │   │   ├── functions_1.html
│   │   │   ├── functions_1.js
│   │   │   ├── functions_2.html
│   │   │   ├── functions_2.js
│   │   │   ├── functions_3.html
│   │   │   ├── functions_3.js
│   │   │   ├── functions_4.html
│   │   │   ├── functions_4.js
│   │   │   ├── functions_5.html
│   │   │   ├── functions_5.js
│   │   │   ├── functions_6.html
│   │   │   ├── functions_6.js
│   │   │   ├── functions_7.html
│   │   │   ├── functions_7.js
│   │   │   ├── functions_8.html
│   │   │   ├── functions_8.js
│   │   │   ├── functions_9.html
│   │   │   ├── functions_9.js
│   │   │   ├── functions_a.html
│   │   │   ├── functions_a.js
│   │   │   ├── mag_sel.png
│   │   │   ├── nomatches.html
│   │   │   ├── search.css
│   │   │   ├── searchdata.js
│   │   │   ├── search.js
│   │   │   ├── search_l.png
│   │   │   ├── search_m.png
│   │   │   ├── search_r.png
│   │   │   ├── variables_0.html
│   │   │   ├── variables_0.js
│   │   │   ├── variables_1.html
│   │   │   ├── variables_1.js
│   │   │   ├── variables_2.html
│   │   │   ├── variables_2.js
│   │   │   ├── variables_3.html
│   │   │   ├── variables_3.js
│   │   │   ├── variables_4.html
│   │   │   ├── variables_4.js
│   │   │   ├── variables_5.html
│   │   │   ├── variables_5.js
│   │   │   ├── variables_6.html
│   │   │   ├── variables_6.js
│   │   │   ├── variables_7.html
│   │   │   └── variables_7.js
│   │   ├── search_8js.html
│   │   ├── searchdata_8js.html
│   │   ├── splitbar.png
│   │   ├── sync_off.png
│   │   ├── sync_on.png
│   │   ├── tab_a.png
│   │   ├── tab_b.png
│   │   ├── tab_h.png
│   │   ├── tabs.css
│   │   └── tab_s.png
│   ├── MSC Novice Manual for Linux.pdf
│   ├── Open Semantic Platform API Documents.pdf
│   └── Recording API Documents_.doc
├── include
│   ├── msp_cmn.h
│   ├── msp_errors.h
│   ├── msp_types.h
│   ├── qisr.h
│   └── qtts.h
├── libs
│   ├── x64
│   │   └── libmsc.so
│   └── x86
│       └── libmsc.so
├── Linux_voice_1135_57f49f64 (1).zip
├── README
└── samples
    ├── asr_sample
    │   ├── 32bit_make.sh
    │   ├── 64bit_make.sh
    │   ├── asr_sample.c
    │   └── Makefile
    ├── iat_record
    │   ├── 32bit_make.sh
    │   ├── 64bit_make.sh
    │   ├── formats.h
    │   ├── iat_record.c
    │   ├── linuxrec.c
    │   ├── linuxrec.h
    │   ├── Makefile
    │   ├── speech_recognizer.c
    │   └── speech_recognizer.h
    ├── iat_sample
    │   ├── 32bit_make.sh
    │   ├── 64bit_make.sh
    │   ├── iat_sample.c
    │   └── Makefile
    ├── sch_speak
    │   ├── 32bit_make.sh
    │   ├── 64bit_make.sh
    │   ├── Makefile
    │   └── sch_speak.c
    ├── sch_text
    │   ├── 32bit_make.sh
    │   ├── 64bit_make.sh
    │   ├── Makefile
    │   └── sch_text.c
    └── tts_sample
        ├── 32bit_make.sh
        ├── 64bit_make.sh
        ├── Makefile
        └── tts_sample.c

我们编译使用tts_sample目录下的源文件

编译方法依照讯飞文档

cam@cam-Aspire-V3-572G:~/xunfei/TTS/samples/tts_sample$ source 64bit_make.sh

将64bit_make.sh拷贝到bin目录，执行程序时会用到动态链接库

cam@cam-Aspire-V3-572G:~/xunfei/TTS/samples/tts_sample$ cp 64bit_make.sh ../../bin/

运行程序

cam@cam-Aspire-V3-572G:~/xunfei/TTS/bin$ ./tts_sample

会在当前目录合成一个声音文件。

cam@cam-Aspire-V3-572G:~/xunfei/TTS/bin$ play tts_sample.wav

如果没有安装sox，执行安装命令

sudo apt-get install sox

由于官方的需要选择系统平台，我们都是确定的，就不用那么麻烦的每次更新环境

修改makfile，删除判断语句

#common makefile header

DIR_INC = ../../include
DIR_BIN = ../../bin
DIR_LIB = ../../libs

TARGET	= tts_sample
BIN_TARGET = $(DIR_BIN)/$(TARGET)

CROSS_COMPILE = 
CFLAGS = -g -Wall -I$(DIR_INC)


LDFLAGS := -L$(DIR_LIB)/x64

LDFLAGS += -lmsc -lrt -ldl -lpthread

OBJECTS := $(patsubst %.c,%.o,$(wildcard *.c))

$(BIN_TARGET) : $(OBJECTS)
	$(CROSS_COMPILE)gcc $(CFLAGS) $^ -o $@ $(LDFLAGS)

%.o : %.c
	$(CROSS_COMPILE)gcc -c $(CFLAGS) $< -o $@
clean:
	@rm -f *.o $(BIN_TARGET)

.PHONY:clean

#common makefile foot

将

├── libs │

├── x64

│ │ └── libmsc.so

libmsc.so拷贝到/user/libs下即可。

以后直接make

源文件

/*
* 语音合成（Text To Speech，TTS）技术能够自动将任意文字实时转换为连续的
* 自然语音，是一种能够在任何时间、任何地点，向任何人提供语音信息服务的
* 高效便捷手段，非常符合信息时代海量数据、动态更新和个性化查询的需求。
*/

#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <unistd.h>

#include "qtts.h"
#include "msp_cmn.h"
#include "msp_errors.h"

/* wav音频头部格式 */
typedef struct _wave_pcm_hdr
{
    char            riff[4];                // = "RIFF"
    int        size_8;                 // = FileSize - 8
    char            wave[4];                // = "WAVE"
    char            fmt[4];                 // = "fmt "
    int        fmt_size;        // = 下一个结构体的大小 : 16

    short int       format_tag;             // = PCM : 1
    short int       channels;               // = 通道数 : 1
    int        samples_per_sec;        // = 采样率 : 8000 | 6000 | 11025 | 16000
    int        avg_bytes_per_sec;      // = 每秒字节数 : samples_per_sec * bits_per_sample / 8
    short int       block_align;            // = 每采样点字节数 : wBitsPerSample / 8
    short int       bits_per_sample;        // = 量化比特数: 8 | 16

    char            data[4];                // = "data";
    int        data_size;              // = 纯数据长度 : FileSize - 44
} wave_pcm_hdr;

/* 默认wav音频头部数据 */
wave_pcm_hdr default_wav_hdr =
{
    { 'R', 'I', 'F', 'F' },
    0,
    {'W', 'A', 'V', 'E'},
    {'f', 'm', 't', ' '},
    16,
    1,
    1,
    16000,
    32000,
    2,
    16,
    {'d', 'a', 't', 'a'},
    0
};
/* 文本合成 */
int text_to_speech(const char* src_text, const char* des_path, const char* params)
{
    int          ret          = -1;
    FILE*        fp           = NULL;
    const char*  sessionID    = NULL;
    unsigned int audio_len    = 0;
    wave_pcm_hdr wav_hdr      = default_wav_hdr;
    int          synth_status = MSP_TTS_FLAG_STILL_HAVE_DATA;

    if (NULL == src_text || NULL == des_path)
    {
        printf("params is error!\n");
        return ret;
    }
    fp = fopen(des_path, "wb");
    if (NULL == fp)
    {
        printf("open %s error.\n", des_path);
        return ret;
    }
    /* 开始合成 */
    sessionID = QTTSSessionBegin(params, &ret);
    if (MSP_SUCCESS != ret)
    {
        printf("QTTSSessionBegin failed, error code: %d.\n", ret);
        fclose(fp);
        return ret;
    }
    ret = QTTSTextPut(sessionID, src_text, (unsigned int)strlen(src_text), NULL);
    if (MSP_SUCCESS != ret)
    {
        printf("QTTSTextPut failed, error code: %d.\n",ret);
        QTTSSessionEnd(sessionID, "TextPutError");
        fclose(fp);
        return ret;
    }
    printf("正在合成 ...\n");
    fwrite(&wav_hdr, sizeof(wav_hdr) ,1, fp); //添加wav音频头，使用采样率为16000
    while (1)
    {
        /* 获取合成音频 */
        const void* data = QTTSAudioGet(sessionID, &audio_len, &synth_status, &ret);
        if (MSP_SUCCESS != ret)
            break;
        if (NULL != data)
        {
            fwrite(data, audio_len, 1, fp);
            wav_hdr.data_size += audio_len; //计算data_size大小
        }
        if (MSP_TTS_FLAG_DATA_END == synth_status)
            break;
        printf(">");
        usleep(150*1000); //防止频繁占用CPU
    }//合成状态synth_status取值请参阅《讯飞语音云API文档》
    printf("\n");
    if (MSP_SUCCESS != ret)
    {
        printf("QTTSAudioGet failed, error code: %d.\n",ret);
        QTTSSessionEnd(sessionID, "AudioGetError");
        fclose(fp);
        return ret;
    }
    /* 修正wav文件头数据的大小 */
    wav_hdr.size_8 += wav_hdr.data_size + (sizeof(wav_hdr) - 8);

    /* 将修正过的数据写回文件头部,音频文件为wav格式 */
    fseek(fp, 4, 0);
    fwrite(&wav_hdr.size_8,sizeof(wav_hdr.size_8), 1, fp); //写入size_8的值
    fseek(fp, 40, 0); //将文件指针偏移到存储data_size值的位置
    fwrite(&wav_hdr.data_size,sizeof(wav_hdr.data_size), 1, fp); //写入data_size的值
    fclose(fp);
    fp = NULL;
    /* 合成完毕 */
    ret = QTTSSessionEnd(sessionID, "Normal");
    if (MSP_SUCCESS != ret)
    {
        printf("QTTSSessionEnd failed, error code: %d.\n",ret);
    }

    return ret;
}

int main(int argc, char* argv[])
{
    int         ret                  = MSP_SUCCESS;
    const char* login_params         = "appid = 57f49f64, work_dir = .";//登录参数,appid与msc库绑定,请勿随意改动
    /*
    * rdn:           合成音频数字发音方式
    * volume:        合成音频的音量
    * pitch:         合成音频的音调
    * speed:         合成音频对应的语速
    * voice_name:    合成发音人
    * sample_rate:   合成音频采样率
    * text_encoding: 合成文本编码格式
    *
    * 详细参数说明请参阅《讯飞语音云MSC--API文档》
    */
    const char* session_begin_params = "voice_name = xiaowanzi, text_encoding = utf8, sample_rate = 16000, speed = 50, volume = 50, pitch = 50, rdn = 0";
    const char* filename             = "tts_sample.wav"; //合成的语音文件名称
    const char* text                 = "我是小丸子，今年126岁了，我的车牌号是12365，今年是2016年12月20号"; //合成文本

    /* 用户登录 */
    ret = MSPLogin(NULL, NULL, login_params);//第一个参数是用户名，第二个参数是密码，第三个参数是登录参数，用户名和密码可在http://open.voicecloud.cn注册获取
    if (MSP_SUCCESS != ret)
    {
        printf("MSPLogin failed, error code: %d.\n", ret);
        goto exit ;//登录失败，退出登录
    }
    printf("\n###########################################################################\n");
    printf("## 语音合成（Text To Speech，TTS）技术能够自动将任意文字实时转换为连续的 ##\n");
    printf("## 自然语音，是一种能够在任何时间、任何地点，向任何人提供语音信息服务的  ##\n");
    printf("## 高效便捷手段，非常符合信息时代海量数据、动态更新和个性化查询的需求。  ##\n");
    printf("###########################################################################\n\n");
    /* 文本合成 */
    printf("开始合成 ...\n");
    ret = text_to_speech(text, filename, session_begin_params);
    if (MSP_SUCCESS != ret)
    {
        printf("text_to_speech failed, error code: %d.\n", ret);
    }
    printf("合成完毕\n");

exit:
    printf("按任意键退出 ...\n");
    getchar();
    MSPLogout(); //退出登录

    return 0;
}

const char* session_begin_params = "voice_name = xiaowanzi, text_encoding = utf8, sample_rate = 16000, speed = 50, volume = 50, pitch = 50, rdn = 0";

wav文件头的格式

/* wav音频头部格式 */
typedef struct _wave_pcm_hdr
{
    char            riff[4];                // = "RIFF"
    int        size_8;                 // = FileSize - 8
    char            wave[4];                // = "WAVE"
    char            fmt[4];                 // = "fmt "
    int        fmt_size;        // = 下一个结构体的大小 : 16

    short int       format_tag;             // = PCM : 1
    short int       channels;               // = 通道数 : 1
    int        samples_per_sec;        // = 采样率 : 8000 | 6000 | 11025 | 16000
    int        avg_bytes_per_sec;      // = 每秒字节数 : samples_per_sec * bits_per_sample / 8
    short int       block_align;            // = 每采样点字节数 : wBitsPerSample / 8
    short int       bits_per_sample;        // = 量化比特数: 8 | 16

    char            data[4];                // = "data";
    int        data_size;              // = 纯数据长度 : FileSize - 44
} wave_pcm_hdr;

/* 默认wav音频头部数据 */
wave_pcm_hdr default_wav_hdr =
{
    { 'R', 'I', 'F', 'F' },
    0,
    {'W', 'A', 'V', 'E'},
    {'f', 'm', 't', ' '},
    16,
    1,
    1,
    16000,
    32000,
    2,
    16,
    {'d', 'a', 't', 'a'},
    0
};

	偏移地址	字节数	数据类型	内容
文件头	00H	4	char	“RIFF”; RIFF标志
	04H	4	long int	0x00 01 06 0A（注意数据存储顺序）; 文件长度
	08H	4	char	“WAVE”; WAVE标志
	0CH	4	char	“fmt ”; fmt标志，最后一位为空
	10H	4	long int	0x12; sizeof(PCMWAVEFORMAT)
	14H	2	int	1（WAVE_FORMAT_PCM）; 格式类别，1表示为PCM形式的声音数据
	16H	2	int	2; 通道数，单声道为1，双声道为2
	18H	2	int	44100; 采样频率（每秒样本数）
	1CH	4	long int	0x10B10000; 每秒数据量；其值为通道数×每秒数据位数×每样本的数据位数／8。播放软件利用此值可以估计缓冲区的大小。
	20H	2	int	数据块的调整数（按字节算的），其值为通道数×每样本的数据位值／8。播放软件需要一次处理多个该值大小的字节数据，以便将其值用于缓冲区的调整。
	22H	2		每样本的数据位数，表示每个声道中各个样本的数据位数。如果有多个声道，对每个声道而言，样本大小都一样。
	50H	4	char	“data”; 数据标记符
	54H	4	long int	0x00 01 05 D8; 语音数据大小