AI 助理
文档备案控制台
开发者社区 开发与运维 文章 正文

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)

2023-02-20 1379
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 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。

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。

文章标签：
Python
Shell
开发工具
Cloud Native
语音技术
人工智能
Linux
Windows
机器人
云计算
关键词：
AI服务
AI人工智能
AI python
人工智能ai
人工智能服务
刘悦的技术博客
目录
相关文章
Echo_Wish
|
5月前
|
人工智能 运维 算法
AI来了，运维不慌：教你用人工智能把团队管理提速三倍！
AI来了，运维不慌：教你用人工智能把团队管理提速三倍！
Echo_Wish
715 8
代码bug生产队
|
5月前
|
人工智能 搜索推荐 程序员
当AI学会“跨界思考”：多模态模型如何重塑人工智能
当AI学会“跨界思考”：多模态模型如何重塑人工智能
代码bug生产队
740 120
卓伊凡
|
5月前
|
人工智能 并行计算 PyTorch
以Lama Cleaner的AI去水印工具理解人工智能中经常会用到GPU来计算的CUDA是什么？ 优雅草-卓伊凡
以Lama Cleaner的AI去水印工具理解人工智能中经常会用到GPU来计算的CUDA是什么？ 优雅草-卓伊凡
卓伊凡
537 4
basu2023
|
5月前
|
机器学习/深度学习 人工智能 自然语言处理
拔俗AI人工智能评审管理系统：用技术为决策装上“智能导航”
AI评审系统融合NLP、知识图谱与机器学习，破解传统评审效率低、标准不一难题。通过语义解析、智能推理与风险预判，构建标准化、可复用的智能评审流程，助力项目质量与效率双提升。（238字）
basu2023
433 0
阿里云云原生
|
5月前
|
消息中间件 人工智能 安全
云原生进化论：加速构建 AI 应用
本文将和大家分享过去一年在支持企业构建 AI 应用过程的一些实践和思考。
阿里云云原生
1416 61
阿里云云原生
|
6月前
|
人工智能 安全 中间件
阿里云 AI 中间件重磅发布，打通 AI 应用落地“最后一公里”
9 月 26 日，2025 云栖大会 AI 中间件：AI 时代的中间件技术演进与创新实践论坛上，阿里云智能集团资深技术专家林清山发表主题演讲《未来已来：下一代 AI 中间件重磅发布，解锁 AI 应用架构新范式》，重磅发布阿里云 AI 中间件，提供面向分布式多 Agent 架构的基座，包括：AgentScope-Java（兼容 Spring AI Alibaba 生态），AI MQ（基于Apache RocketMQ 的 AI 能力升级），AI 网关 Higress，AI 注册与配置中心 Nacos，以及覆盖模型与算力的 AI 可观测体系。
阿里云云原生
1351 64
阿里云云原生
|
5月前
|
人工智能 运维 Kubernetes
Serverless 应用引擎 SAE：为传统应用托底，为 AI 创新加速
在容器技术持续演进与 AI 全面爆发的当下，企业既要稳健托管传统业务，又要高效落地 AI 创新，如何在复杂的基础设施与频繁的版本变化中保持敏捷、稳定与低成本，成了所有技术团队的共同挑战。阿里云 Serverless 应用引擎（SAE）正是为应对这一时代挑战而生的破局者，SAE 以“免运维、强稳定、极致降本”为核心，通过一站式的应用级托管能力，同时支撑传统应用与 AI 应用，让企业把更多精力投入到业务创新。
阿里云云原生
674 31
苍何
|
5月前
|
设计模式 人工智能 自然语言处理
3个月圈粉百万，这个AI应用在海外火了
不知道大家还记不记得，我之前推荐过一个叫 Agnes 的 AI 应用，也是当时在 WAIC 了解到的。
苍何
683 2
霍格沃兹测试开发学社
|
5月前
|
存储 人工智能 NoSQL
AI大模型应用实践 八：如何通过RAG数据库实现大模型的私有化定制与优化
RAG技术通过融合外部知识库与大模型，实现知识动态更新与私有化定制，解决大模型知识固化、幻觉及数据安全难题。本文详解RAG原理、数据库选型（向量库、图库、知识图谱、混合架构）及应用场景，助力企业高效构建安全、可解释的智能系统。
霍格沃兹测试开发学社
1349 2

热门文章

最新文章

  • 1
    CosyVoice 2.0：阿里开源升级版语音生成大模型，支持多语言和跨语言语音合成，提升发音和音色等的准确性
  • 2
    讯飞语音JavaWeb语音合成解决方案
  • 3
    TTS语音合成技术
  • 4
    语音合成在语音助手中的应用及扩展
  • 5
    基于Tacotron汉语语音合成的开源实践
  • 6
    INTERSPEECH 2017系列 | 语音合成技术
  • 7
    【技术揭秘】阿里语音AI : KAN-TTS语音合成技术
  • 8
    耳朵没错，是声音太真了，字节豆包语音合成成果Seed-TTS技术揭秘
  • 9
    Spark-TTS: AI语音合成的"变声大师"
  • 10
    深入探索AI文生语音技术的奥秘：从文本输入到逼真语音输出的全链条语音合成过程解析
  • 1
    当AI学会“跨界思考”：多模态模型如何重塑人工智能
    740
  • 2
    拔俗人工智能辅助评审系统：如何用技术为“把关”提效
    504
  • 3
    拔俗AI人工智能评审管理系统：用技术为决策装上“智能导航”
    433
  • 4
    关于举办首届全国大学生“启真问智”人工智能模型&智能体大赛决赛的通知
    2752
  • 5
    以Lama Cleaner的AI去水印工具理解人工智能中经常会用到GPU来计算的CUDA是什么？ 优雅草-卓伊凡
    537
  • 6
    AI能帮我们读懂心事吗？——聊聊人工智能在精神疾病早期诊断中的探索
    199
  • 7
    云栖重磅合集 | 吴泳铭：超级人工智能之路
    1639
  • 8
    EdgeMark：嵌入式人工智能工具的自动化与基准测试系统——论文阅读
    603
  • 9
    决策智能是新的人工智能平台吗？
    227
  • 10
    人工智能模型决策过程：机器与人类协作成效
    326

    • 相关课程

    更多
  • AI上云实战
  • 中国铁道科学研究院 × 阿里云AI应用开发实训营
  • 通义灵码2.0 AI 编码训练营
  • AI应用开发
  • 基于Gradio的AI应用搭建实践课
  • AI通识课-人工智能通识基础

    • 相关电子书

    更多
  • AI 原生应用开源开发者沙龙·上海站电子书
  • AI原生应用开发实战营—Serverless AI专场·北京
  • 阿里云 AI 原生应用开发实战营
    • 下一篇
    阿里云重磅发布Agentic SOC，企业级AI Agent驱动的安全运营平台