20｜TTS与语音合成：让你的机器人拥有声音

上一讲里，我们通过 Whisper 模型，让 AI“听懂”了我们在说什么。我们可以利用这个能力，让 AI 替我们听播客、做小结。不过，这只是我们和 AI 的单向沟通。那我们能不能更进一步，让 AI 不仅能“听懂”我们说的话，通过 ChatGPT 去回答我们问的问题，最后还能让 AI 把这些内容合成为语音，“说”给我们听呢？

当然可以，这也是我们这一讲的主题，会带你一起来让 AI 说话。和上一讲一样，不仅会教你如何使用云端 API 来做语音合成（Text-To-Speech），也会教你使用开源模型，给你一个用本地 CPU 就能实现的解决方案。这样，你也就不用担心数据安全的问题了。

使用 Azure 云进行语音合成

语音合成其实已经是一个非常成熟的技术了，现在在很多短视频平台里，你听到的很多配音其实都是通过语音合成技术完成的。国内外的各大公司都有类似的云服务，比如科大讯飞、阿里云、百度、AWS Polly、Google Cloud等等。不过，今天我们先来体验一下微软 Azure 云的语音合成 API。选用 Azure，主要有两个原因。

1. 因为微软和 OpenAI 有合作，Azure 还提供了 OpenAI 相关模型的托管。这样，我们在实际的生产环境使用的时候，只需要和一个云打交道就好了。

2. 价格比较便宜，并且提供了免费的额度。如果你每个月的用量在 50 万个字符以内，那么就不用花钱。

在运行代码之前，需要先去注册一个 Azure 云的账号，并且开通微软认知服务，然后开启对应的认知服务资源，获得自己的 API Key。在这里放了对应文档的链接，照着文档一步步操作，就能完成。在下面也放上了关键步骤的截图，具体注册过程，就不一一介绍了。

点击创建认知服务的链接，在自己的 Azure 云账号下，创建一个对应的认知服务

注：我选择了 East US 区域，因为这个区域也可以部署 OpenAI 的 ChatGPT 服务。 

在创建认知服务完成之后，在部署成功的地方，点击Go to resource进入下一个界面

点击左侧的 Keys and Endpoint，然后点击右边的「复制」图标能够拿到对应的 API KEY

在拿到 API Key 之后，还是建议你把 API Key 设置到环境变量里面。避免你使用 Notebook 或者撰写代码的时候，不小心把自己的 Key 暴露出去，被别人免费使用。同样的，我们也在环境变量里设置一下我们使用的 Azure 服务的区域 eastus。 

export AZURE_SPEECH_KEY=YOUR_API_KEY
export AZURE_SPEECH_REGION=eastus

当然，也不要忘了安装对应的 Python 包