含辞未吐,声若幽兰,史上最强免费人工智能AI语音合成TTS服务微软Azure(Python3.10接入)

所谓文无第一，武无第二，云原生人工智能技术目前呈现三足鼎立的态势，微软，谷歌以及亚马逊三大巨头各擅胜场，不分伯仲，但目前微软Azure平台不仅仅只是一个PaaS平台，相比AWS，以及GAE，它应该是目前提供云计算人工智能服务最全面的一个平台，尤其是语音合成领域，论AI语音的平顺、自然以及拟真性，无平台能出其右。

本次，我们通过Python3.10版本接入Azure平台语音合成接口，打造一款本地的TTS服务(文本转语音:Text To Speech)。

准备工作

首先根据Azure平台官方文档：https://learn.microsoft.com/zh-cn/azure/cognitive-services/speech-service/get-started-text-to-speech?tabs=macos%2Cterminal&pivots=programming-language-python

在平台上创建免费订阅服务：https://azure.microsoft.com/zh-cn/free/cognitive-services/

免费订阅成功后，进入资源创建环节，这里我们访问网址，创建免费的语音资源：https://portal.azure.com/#create/Microsoft.CognitiveServicesSpeechServices

这里注意订阅选择免费试用，使用区域选择东亚，如果在国外可以选择国外的对应区域。

创建语音服务资源成功后，转到资源组列表，点击获取资源秘钥：

需要注意的是，任何时候都不要将秘钥进行传播，或者将秘钥写入代码并且提交版本。

这里相对稳妥的方式是将秘钥写入本地系统的环境变量中。

Windows系统使用如下命令：

setx COGNITIVE_SERVICE_KEY 您的秘钥

Linux系统使用如下命令：

export COGNITIVE_SERVICE_KEY=您的秘钥

Mac系统的bash终端：

编辑 ~/.bash\_profile，然后添加环境变量

export COGNITIVE_SERVICE_KEY=您的秘钥

添加环境变量后，请从控制台窗口运行 source ~/.bash\_profile，使更改生效。

Mac系统的zsh终端：

编辑 ~/.zshrc，然后添加环境变量

export COGNITIVE_SERVICE_KEY=您的秘钥

如此，前期准备工作就完成了。

本地接入

确保本地Python环境版本3.10以上，然后安装Azure平台sdk:

pip3 install azure-cognitiveservices-speech

创建test.py文件：

`import azure.cognitiveservices.speech as speechsdk  
import os  
  
speech_config = speechsdk.SpeechConfig(subscription=os.environ.get('KEY'), region="eastasia")``audio_config = speechsdk.audio.AudioOutputConfig(use_default_speaker=True)`

这里定义语音的配置文件，通过os模块将上文环境变量中的秘钥取出使用，region就是新建语音资源时选择的地区，audio\_config是选择当前计算机默认的音箱进行输出操作。

接着，根据官方文档的配置，选择一个语音机器人：https://learn.microsoft.com/zh-cn/azure/cognitive-services/speech-service/language-support?tabs=stt-tts#prebuilt-neural-voices

  
纯文本    wuu-CN-XiaotongNeural1（女）  
wuu-CN-YunzheNeural1（男）    不支持  
yue-CN    中文（粤语，简体）    yue-CN    纯文本    yue-CN-XiaoMinNeural1（女）  
yue-CN-YunSongNeural1（男）    不支持  
zh-CN    中文（普通话，简体）    zh-CN    音频 + 人工标记的脚本  
  
纯文本  
  
结构化文本  
  
短语列表    zh-CN-XiaochenNeural4、5、6（女）  
zh-CN-XiaohanNeural2、4、5、6（女）  
zh-CN-XiaomengNeural1、2、4、5、6（女）  
zh-CN-XiaomoNeural2、3、4、5、6（女）  
zh-CN-XiaoqiuNeural4、5、6（女）  
zh-CN-XiaoruiNeural2、4、5、6（女）  
zh-CN-XiaoshuangNeural2、4、5、6、8（女）  
zh-CN-XiaoxiaoNeural2、4、5、6（女）  
zh-CN-XiaoxuanNeural2、3、4、5、6（女）  
zh-CN-XiaoyanNeural4、5、6（女）  
zh-CN-XiaoyiNeural1、2、4、5、6（女）  
zh-CN-XiaoyouNeural4、5、6、8（女）  
zh-CN-XiaozhenNeural1、2、4、5、6（女）  
zh-CN-YunfengNeural1、2、4、5、6（男）  
zh-CN-YunhaoNeural1、2、4、5、6（男）  
zh-CN-YunjianNeural1、2、4、5、6（男）  
zh-CN-YunxiaNeural1、2、4、5、6（男）  
zh-CN-YunxiNeural2、3、4、5、6（男）  
zh-CN-YunyangNeural2、4、5、6（男）  
zh-CN-YunyeNeural2、3、4、5、6（男）  
zh-CN-YunzeNeural1、2、3、4、5、6（男）    神经网络定制声音专业版  
  
神经网络定制声音精简版（预览版）  
  
跨语言语音（预览版）  
zh-CN-henan    中文（中原河南普通话，中国大陆）    不支持    不支持    zh-CN-henan-YundengNeural1（男）    不支持  
zh-CN-liaoning    中文（东北普通话，中国大陆）    不支持    不支持    zh-CN-liaoning-XiaobeiNeural1（女）    不支持  
zh-CN-shaanxi    中文（中原陕西普通话，中国大陆）    不支持    不支持    zh-CN-shaanxi-XiaoniNeural1（女）    不支持  
zh-CN-shandong    中文（冀鲁普通话，中国大陆）    不支持    不支持    zh-CN-shandong-YunxiangNeural1（男）    不支持  
zh-CN-sichuan    中文（西南普通话，简体）    zh-CN-sichuan    纯文本    zh-CN-sichuan-YunxiNeural1（男）    不支持  
zh-HK    中文（粤语，繁体）    zh-HK    纯文本    zh-HK-HiuGaaiNeural4、5、6（女）  
zh-HK-HiuMaanNeural4、5、6（女）  
zh-HK-WanLungNeural1、4、5、6（男）    神经网络定制声音专业版  
zh-TW    中文(台湾普通话)    zh-TW    纯文本    zh-TW-HsiaoChenNeural4、5、6（女）  
zh-TW-HsiaoYuNeural4、5、6（女）  
zh-TW-YunJheNeural4、5、6（男）    神经网络定制声音专业版

单以中文语音论，可选择的范围还是相当广泛的。

继续编辑代码：

import azure.cognitiveservices.speech as speechsdk  
import os  
  
speech_config = speechsdk.SpeechConfig(subscription=os.environ.get('KEY'), region="eastasia")  
audio_config = speechsdk.audio.AudioOutputConfig(use_default_speaker=True)  
  
speech_config.speech_synthesis_voice_name='zh-CN-XiaomoNeural'  
  
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=audio_config)  
  
text = "hello 大家好，这里是人工智能AI机器人在说话"  
  
speech_synthesis_result = speech_synthesizer.speak_text_async(text).get()

这里我们选择zh-CN-XiaomoNeural作为默认AI语音，并且将text文本变量中的内容通过音箱进行输出。

如果愿意，我们也可以将语音输出为实体文件进行存储：

import azure.cognitiveservices.speech as speechsdk  
import os  
  
speech_config = speechsdk.SpeechConfig(subscription=os.environ.get('KEY'), region="eastasia")  
audio_config = speechsdk.audio.AudioOutputConfig(use_default_speaker=True)

file_config = speechsdk.audio.AudioOutputConfig(filename="./output.wav")  
  
  
speech_config.speech_synthesis_voice_name='zh-CN-XiaomoNeural'  
  
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=file_config)  
  
text = "hello 大家好，这里是人工智能AI机器人在说话"  
  
speech_synthesis_result = speech_synthesizer.speak_text_async(text).get()

这里指定file\_config配置为脚本相对路径下的output.wav文件：

ls  
output.wav

如此，音频文件就可以被保存起来，留作以后使用了。

语音调优

默认AI语音听多了，难免会有些索然寡味之感，幸运的是，Azure平台提供了语音合成标记语言 (SSML) ，它可以改善合成语音的听感。

根据Azure官方文档：https://learn.microsoft.com/zh-cn/azure/cognitive-services/speech-service/speech-synthesis-markup

通过调整语音的角色以及样式来获取定制化的声音：

语音    样式    角色  
en-GB-RyanNeural1    cheerful, chat    不支持  
en-GB-SoniaNeural1    cheerful, sad    不支持  
en-US-AriaNeural    chat, customerservice, narration-professional, newscast-casual, newscast-formal, cheerful, empathetic, angry, sad, excited, friendly, terrified, shouting, unfriendly, whispering, hopeful    不支持  
en-US-DavisNeural    chat, angry, cheerful, excited, friendly, hopeful, sad, shouting, terrified, unfriendly, whispering    不支持  
en-US-GuyNeural    newscast, angry, cheerful, sad, excited, friendly, terrified, shouting, unfriendly, whispering, hopeful    不支持  
en-US-JaneNeural    angry, cheerful, excited, friendly, hopeful, sad, shouting, terrified, unfriendly, whispering    不支持  
en-US-JasonNeural    angry, cheerful, excited, friendly, hopeful, sad, shouting, terrified, unfriendly, whispering    不支持  
en-US-JennyNeural    assistant, chat, customerservice, newscast, angry, cheerful, sad, excited, friendly, terrified, shouting, unfriendly, whispering, hopeful    不支持  
en-US-NancyNeural    angry, cheerful, excited, friendly, hopeful, sad, shouting, terrified, unfriendly, whispering    不支持  
en-US-SaraNeural    angry, cheerful, excited, friendly, hopeful, sad, shouting, terrified, unfriendly, whispering    不支持  
en-US-TonyNeural    angry, cheerful, excited, friendly, hopeful, sad, shouting, terrified, unfriendly, whispering    不支持  
es-MX-JorgeNeural1    cheerful, chat    不支持  
fr-FR-DeniseNeural1    cheerful, sad    不支持  
fr-FR-HenriNeural1    cheerful, sad    不支持  
it-IT-IsabellaNeural1    cheerful, chat    不支持  
ja-JP-NanamiNeural    chat, customerservice, cheerful    不支持  
pt-BR-FranciscaNeural    calm    不支持  
zh-CN-XiaohanNeural5    calm, fearful, cheerful, disgruntled, serious, angry, sad, gentle, affectionate, embarrassed    不支持  
zh-CN-XiaomengNeural1、5    chat    不支持  
zh-CN-XiaomoNeural5    embarrassed, calm, fearful, cheerful, disgruntled, serious, angry, sad, depressed, affectionate, gentle, envious    YoungAdultFemale, YoungAdultMale, OlderAdultFemale, OlderAdultMale, SeniorFemale, SeniorMale, Girl, Boy  
zh-CN-XiaoruiNeural5    calm, fearful, angry, sad    不支持  
zh-CN-XiaoshuangNeural5    chat    不支持  
zh-CN-XiaoxiaoNeural5    assistant, chat, customerservice, newscast, affectionate, angry, calm, cheerful, disgruntled, fearful, gentle, lyrical, sad, serious, poetry-reading    不支持  
zh-CN-XiaoxuanNeural5    calm, fearful, cheerful, disgruntled, serious, angry, gentle, depressed    YoungAdultFemale, YoungAdultMale, OlderAdultFemale, OlderAdultMale, SeniorFemale, SeniorMale, Girl, Boy  
zh-CN-XiaoyiNeural1、5    angry, disgruntled, affectionate, cheerful, fearful, sad, embarrassed, serious, gentle    不支持  
zh-CN-XiaozhenNeural1、5    angry, disgruntled, cheerful, fearful, sad, serious    不支持  
zh-CN-YunfengNeural1、5    angry, disgruntled, cheerful, fearful, sad, serious, depressed    不支持  
zh-CN-YunhaoNeural1、2、5    advertisement-upbeat    不支持  
zh-CN-YunjianNeural1、3、4、5    Narration-relaxed, Sports_commentary, Sports_commentary_excited    不支持  
zh-CN-YunxiaNeural1、5    calm, fearful, cheerful, angry, sad    不支持  
zh-CN-YunxiNeural5    narration-relaxed, embarrassed, fearful, cheerful, disgruntled, serious, angry, sad, depressed, chat, assistant, newscast    Narrator, YoungAdultMale, Boy  
zh-CN-YunyangNeural5    customerservice, narration-professional, newscast-casual    不支持  
zh-CN-YunyeNeural5    embarrassed, calm, fearful, cheerful, disgruntled, serious, angry, sad    YoungAdultFemale, YoungAdultMale, OlderAdultFemale, OlderAdultMale, SeniorFemale, SeniorMale, Girl, Boy  
zh-CN-YunzeNeural1、5    calm, fearful, cheerful, disgruntled, serious, angry, sad, depressed, documentary-narration    OlderAdultMale, SeniorMale

这里将语音文本改造为SSML的配置格式：

import os  
import azure.cognitiveservices.speech as speechsdk

  
speech_config = speechsdk.SpeechConfig(subscription=os.environ.get('KEY'), region="eastasia")  
audio_config = speechsdk.audio.AudioOutputConfig(use_default_speaker=True)

file_config = speechsdk.audio.AudioOutputConfig(filename="./output.wav")  
  
  
speech_config.speech_synthesis_voice_name='zh-CN-XiaomoNeural'  
  
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config, audio_config=file_config)  
  
#text = "hello 大家好，这里是人工智能AI机器人在说话"  
  
#speech_synthesis_result = speech_synthesizer.speak_text_async(text).get()  
  
text = """  
    <speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN">  
        <voice name="zh-CN-XiaoxiaoNeural">  
            <mstts:express-as style="lyrical"  role="YoungAdultFemale" >  
            <prosody rate="+12.00%">  
                hello 大家好，这里是刘悦的技术博客  
                大江东去，浪淘尽，千古风流人物。  
故垒西边，人道是，三国周郎赤壁。  
乱石穿空，惊涛拍岸，卷起千堆雪。  
江山如画，一时多少豪杰。  
</prosody>  
            </mstts:express-as>  
        </voice>  
    </speak>"""   
  
result = speech_synthesizer.speak_ssml_async(ssml=text).get()

通过使用style和role标记进行定制，同时使用rate属性来提升百分之十二的语速，从而让AI语音更加连贯顺畅。注意这里使用ssml=text来声明ssml格式的文本。

结语

人工智能AI语音系统完成了人工智能在语音合成这个细分市场的落地应用，为互联网领域内许多需要配音的业务节约了成本和时间。