初探机器学习之使用讯飞TTS服务实现在线语音合成

最近在调研使用各个云平台提供的AI服务，有个语音合成的需求因此就使用了一下科大讯飞的TTS服务，也用.NET Core写了一个小示例，下面就是这个小示例及其相关背景知识的介绍。

一、什么是语音合成（TTS）

1.1 What is 语音合成？

　　

　　将文字信息转化为声音信息，给应用配上“嘴巴”，这就是语音合成。

Note：语音合成和语音识别技术是实现人机语音通信，建立一个有听和讲能力的口语系统所必需的两项关键技术。使电脑具有类似于人一样的说话能力，是当今时代信息产业的重要竞争市场。和语音识别相比，语音合成的技术相对说来要成熟一些，并已开始向产业化方向成功迈进，大规模应用指日可待。

1.2 语音合成的应用场景

　　目前，语音合成技术在我们生活中具有广泛的应用，如机器人发声、有声读物制作、语音播报等等，这些应用场景都离不开语音合成。

　　

Note：在语音导航应用、新闻类 APP 中，语音合成可以快速生成高质量的播报音频，实现在开车、走路等不方便阅读消息的情况下，音频消息的即时传达。

1.3 语音合成的基本原理

　　这里借用网易智能的一篇文章中的介绍如下：

　　

　　简单来说语音合成分为文本分析、韵律分析和声学分析三个部分。通过文本分析提取出文本特征，在此基础上预测基频、时长、节奏等多种韵律特征，然后通过声学模型实现从前端参数到语音参数的映射，最后通过声码器合成语音。整个过程类似于“编码、信息匹配，解码的过程”。

　　

　　对语音合成有兴趣的朋友，可以阅读以下这篇文章《吴恩达盛赞的Deep Voice详解教程，教你快速理解百度的语音合成原理》。

二、使用.NET Core调用讯飞API

2.1 科大讯飞TTS服务

　　讯飞提供了众多极具特色的发音人（音库）供您选择。其合成音在音色、自然度等方面的表现均接近甚至超过了人声。这种语音合成体验，达到了真正可商用的标准。在我对百度、阿里、腾讯及讯飞的TTS服务对比中，讯飞的TTS体验好一些，且发音人（音库）最为丰富，还有四川话（准确来说是成都话）音库，碉堡了。大家可以去讯飞TTS服务网页体验一下。

2.2 .NET Core调用示例

　　（1）首先得去讯飞开放平台注册一个账号，并申请一个勾选有“在线语音合成”的应用

　　

　　这里主要是拿到AppID及ApiKey，并且可以通过发音人管理增加发音库，当然，高级版的音库都是要单独收费的。免费版本的每天有500次的免费API调用机会。

　　（2）参考官方API文档和C# DEMO

　　PS：由于讯飞官方提供的C# DEMO是一个基于.NET Framework的比较老的DEMO，在.NET Core下无法正常使用，我将其简单地改写成了.NET Core版本，并封装了一个XunFeiCloudTtsService类如下：（每个属性都有注释，不再赘述，只是对API调用需要的一些属性的简单封装）

    public class XunFeiCloudTtsService
    {
        // Header Type : audio/mpeg
        private const string AUDIO_MPEG_TYPE = "audio/mpeg";
        // AppID, AppKey 从讯飞开放云平台获取
        public string AppID { get; set; } = "your AppID";
        public string ApiKey { get; set; } = "your ApiKey";
        // 要进行合成的文字
        public string TextToSpeech { get; set; } = "这是一段测试文字";
        // 讯飞TTS服务API地址
        public string ServiceUrl { get; set; } = "http://api.xfyun.cn/v1/service/v1/tts";
        // aue = raw, 音频文件保存类型为 wav
        // aue = lame, 音频文件保存类型为 mp3
        public string AUE { get; set; } = "raw";
        // 音频采样率，可选值：audio/L16;rate=8000，audio/L16;rate=16000
        public string AUF { get; set; } = "audio/L16;rate=16000";
        // 发音人，可选值：详见控制台-我的应用-在线语音合成服务管理-发音人授权管理
        public string VoiceName { get; set; } = "xiaoyan";
        // 引擎类型，可选值：aisound（普通效果），intp65（中文），intp65_en（英文），
        // mtts（小语种，需配合小语种发音人使用），x（优化效果），
        // 默认为intp65
        public string EngineType { get; set; } = "intp65";
        // 语速，可选值：[0-100]，默认为50
        public string Speed { get; set; } = "50";
        // 音量，可选值：[0-100]，默认为50
        public string Volume { get; set; } = "50";
        // 音高，可选值：[0-100]，默认为50
        public string Pitch { get; set; } = "50";
        // URL加密后的TextToSpeech
        public string Bodys { get; set; }
        // 要保存的文件夹路径
        public string SavePath { get; set; } = "./Output/";
        // 要保存的文件名
        public string FileName { get; set; } = $"TTS-{ Guid.NewGuid().ToString() }";

        static XunFeiCloudTtsService()
        {
            Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);
        }

        public XunFeiCloudTtsService()
        { }

        public XunFeiCloudTtsService(string appID, string apiKey, string serviceUrl)
        {
            AppID = appID;
            ApiKey = apiKey;
            ServiceUrl = serviceUrl;
        }

        public string GetTtsResult()
        {
            SetTextDataBodys();

            string param = "{"aue":"" + AUE + "","auf":"" + AUF + "","voice_name":"" + VoiceName + "","engine_type":""
                + EngineType + "","speed":"" + Speed + "","volume":"" + Volume + "","pitch":"" + Pitch + ""}";
            // 获取十位的时间戳
            TimeSpan ts = DateTime.UtcNow - new DateTime(1970, 1, 1, 0, 0, 0, 0);
            string curTime = Convert.ToInt64(ts.TotalSeconds).ToString();
            // 对参数先utf-8然后用base64编码
            byte[] paramData = Encoding.UTF8.GetBytes(param);
            string paraBase64 = Convert.ToBase64String(paramData);
            // 形成签名
            string checkSum = Md5(ApiKey + curTime + paraBase64);
            // 设置HttpHeaders
            var ttsRequest = (HttpWebRequest)WebRequest.Create(ServiceUrl);
            ttsRequest.Method = "POST";
            ttsRequest.ContentType = "application/x-www-form-urlencoded";
            ttsRequest.Headers.Add("X-Param", paraBase64);
            ttsRequest.Headers.Add("X-CurTime", curTime);
            ttsRequest.Headers.Add("X-Appid", AppID);
            ttsRequest.Headers.Add("X-CheckSum", checkSum);

            using (Stream requestStream = ttsRequest.GetRequestStream())
            {
                using (StreamWriter streamWriter = new StreamWriter(requestStream, Encoding.GetEncoding("gb2312")))
                {
                    streamWriter.Write(Bodys);
                }
            }

            string responseText = string.Empty;
            HttpWebResponse ttsResponse = ttsRequest.GetResponse() as HttpWebResponse;
            using (Stream responseStream = ttsResponse.GetResponseStream())
            {
                using (StreamReader streamReader = new StreamReader(responseStream, Encoding.GetEncoding("UTF-8")))
                {
                    string headerType = ttsResponse.Headers["Content-Type"];
                    if (headerType.Equals(AUDIO_MPEG_TYPE))
                    {
                        responseText = GetSuccessResponseText(ttsResponse);
                    }
                    else
                    {
                        responseText = streamReader.ReadToEnd();
                    }
                }
            }

            return responseText;
        }

        #region 私有辅助方法
        /// <summary>
        /// 获取请求成功的响应文本
        /// </summary>
        /// <param name="ttsResponse">HttpWebResponse</param>
        /// <returns>响应Headers文本</returns>
        private string GetSuccessResponseText(HttpWebResponse ttsResponse)
        {
            string responseText = string.Empty;
            using (Stream stream = ttsResponse.GetResponseStream())
            {
                MemoryStream memoryStream = StreamToMemoryStream(stream);
                if (!Directory.Exists(SavePath))
                {
                    Directory.CreateDirectory(SavePath);
                }

                string fileType = string.Empty;
                switch (AUE.ToLower())
                {
                    case "raw":
                        fileType = "wav";
                        break;
                    case "lame":
                        fileType = "lame";
                        break;
                }

                File.WriteAllBytes($"{SavePath}{FileName}.{fileType}", streamTobyte(memoryStream));
                responseText = ttsResponse.Headers.ToString();
            }

            return responseText;
        }

        /// <summary>
        ///  对要合成语音的文字先用utf-8然后进行URL加密
        /// </summary>
        private void SetTextDataBodys()
        {
            byte[] textData = Encoding.UTF8.GetBytes(TextToSpeech);
            TextToSpeech = HttpUtility.UrlEncode(textData);
            Bodys = string.Format("text={0}", TextToSpeech);
        }

        /// <summary>
        /// 生成令牌 ：X-CheckSum
        /// 计算方法：MD5(apiKey + curTime + param)，三个值拼接的字符串，进行MD5哈希计算（32位小写），其中apiKey由讯飞提供，调用方管理。
        /// </summary>
        /// <param name="token">apiKey + curTime + param</param>
        /// <returns>X-CheckSum</returns>
        private string Md5(string token)
        {
            MD5 md5 = new MD5CryptoServiceProvider();
            byte[] bytes = Encoding.UTF8.GetBytes(token);
            bytes = md5.ComputeHash(bytes);
            md5.Clear();

            StringBuilder sb = new StringBuilder();
            for (int i = 0; i < bytes.Length; i++)
            {
                sb.Append(Convert.ToString(bytes[i], 16).PadLeft(2, '0'));
            }

            return sb.ToString().PadLeft(32, '0');
        }

        /// <summary>
        /// 将流转换为缓存流
        /// </summary>
        /// <param name="instream">输入流</param>
        /// <returns>输出流</returns>
        private MemoryStream StreamToMemoryStream(Stream instream)
        {
            MemoryStream outstream = new MemoryStream();
            const int bufferLen = 4096;
            byte[] buffer = new byte[bufferLen];
            int count = 0;
            while ((count = instream.Read(buffer, 0, bufferLen)) > 0)
            {
                outstream.Write(buffer, 0, count);
            }

            return outstream;
        }

        /// <summary>
        /// 把缓存流转换成字节组
        /// </summary>
        /// <param name="memoryStream">缓存刘</param>
        /// <returns>字节数组</returns>
        private byte[] streamTobyte(MemoryStream memoryStream)
        {
            byte[] buffer = new byte[memoryStream.Length];
            memoryStream.Seek(0, SeekOrigin.Begin);
            memoryStream.Read(buffer, 0, buffer.Length);

            return buffer;
        }
        #endregion
    }

　　*.由于.NET Core下Encoding默认不支持GB2312，因此需要事先引入一个包：System.Text.Encoding.CodePages，然后在程序启动时注册一下，这里已经封装静态构造函数里面了。

NuGet>Install-Package System.Text.Encoding.CodePages

　　客户端调用：

    public class Program
    {
        public static void Main(string[] args)
        {
            XunFeiCloudTtsService ttsService = new XunFeiCloudTtsService();
            ttsService.AppID = "5c3806f12121";
            ttsService.ApiKey = "a99fff9fc537d883a181231231a37bf56dc8f28";
            ttsService.TextToSpeech = "大家好我是第一个语音合成！";
            ttsService.SavePath = "./TTS-Result/";
            ttsService.FileName = "Hello-TTS";
            ttsService.Speed = "60";

            var result = ttsService.GetTtsResult();
            Console.WriteLine(result);

            Console.ReadKey();
        }
    }

　　*.这里AppID和ApiKey请使用你自己的，我博文这里是乱写的。

　　调用结果：

　　（1）响应结果

　　

　　*.如果提示illegal client ip，请到控制台中加入白名单列表：

　　

　　（2）语音文件

　　

　　So，播放一下？

　　

三、小结

　　有了语音合成，我们可以在我们的业务系统或者App中有了更多的玩法，虽然我们不了解语音合成的具体实现原理。此文只是一个简单的使用示例，无更多的内容，希望对你有帮助，本文的示例代码可以点击这里。

参考资料

（1）科大讯飞开放云平台，《在线语音合成服务》

（2）科大讯飞TTS服务，API说明文档

（3）网易智能，《让机器说话更自然，语音合成还能干什么》

作者：周旭龙

出处：http://edisonchou.cnblogs.com

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。