花样试用微软语音服务晓晓

前言

受微软美女员工 Grace Peng 邀请（也可能是套路？？？），参加微软神经语音（没错，就是神经）晓晓的试用，首先是看到了群里面的消息，然后就是发送申请，等待回复，过了几天后，收到了一个机器人发来的账号密码，告诉我已经帮我申请了免费试用的账号，直接登录即可使用了。其实一直都有接触各种 TTS 的服务，但是在测试微软晓晓的过程中发现，在拟人方面，晓晓的发音似乎被训练得很不错，在语法方面，晓晓支持 SSML 语法，具体参见：https://www.w3.org/TR/speech-synthesis/ 什么是 SSML，来自百度百科 语音合成标记语言 的解释。

1. 准备工作

话不多说，马上开始，首先登录 Azure portal,

1.1 选择 “认知服务”，添加一个新的 Speech 订阅 命名为：MySpeechService

1.2 等待部署完成

1.3 Speech 部署完成后

点击左侧列表中的 “所有资源”连接，进入资源管理面板

1.4 选择资源，查看密钥

在资源面板点击刚才创建好的 MySpeechService，进入详情后点击 “键”(keys)，可以看到已经生成好的密钥，等一下调用 Speech 服务的时候需要用到，好了，准备工作已经完成了，下面就写两行代码试试。

2. 开始试用

创建一个控制台项目：MySpeechApp，进行一些简单的编码工作，在正式编码之前，需要来了解一下调用流程

从上面的流程图可以了解到，首先，我们需要使用创建好的 Speech 服务中的密钥去换取访问 Token ，然后，使用 Token 调用 Speech 主机，传递文本，下载语音文件，整个流程结束。

• 注意：通过上面的流程，只能合成 10 分钟以内的语音文件。

好了，流程已经看懂了，下面正式开始编码。

2.1 定义公共的变量备用

    class Program
    {
        private const string TOKEN_URI = "https://southeastasia.api.cognitive.microsoft.com/sts/v1.0/issuetoken";
        private const string SUB_KEY = "36290bbded8f4cb59e34e50ed7be60b0";
        private const string HOST = "https://southeastasia.tts.speech.microsoft.com/cognitiveservices/v1";
        private const string RESOURCE_NAME = "MySpeechService";
    }

TOKEN_URI：换取 Token 调用的 URL
SUB_KEY：资源密钥，就是 1.4 中的 键（keys）
HOST：Speech 主机，因为给我分配的是东南亚的，所以这里地区也必须选择 southeastasia，资源面板上也没有说明，一开始使用的是 westus ，总是提示身份验证异常，坑了好几分钟。
RESOURCE_NAME：资源名称，就是我们创建的服务名，这没什么好说的

2.2 换取访问Token

        private static async Task<string> GetTokenAsync()
        {
            using (var httpClient = new HttpClient())
            {
                httpClient.DefaultRequestHeaders.Add("Ocp-Apim-Subscription-Key", SUB_KEY);
                var builder = new UriBuilder(TOKEN_URI);

                var result = await httpClient.PostAsync(builder.Uri.AbsoluteUri, null);

                return await result.Content.ReadAsStringAsync();
            }
        }

代码比较简单，就是一个 Http 请求的封装而已，核心内容是 httpClient.DefaultRequestHeaders.Add("Ocp-Apim-Subscription-Key", SUB_KEY);，把资源密钥加入请求头中。

2.2 合成语音

        private static async Task RequestSSML(string authToken, string text, string fileName)
        {
            Console.WriteLine("准备中...");
            using (var httpClient = new HttpClient())
            {
                var body = "<speak xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" version="1.0" xml:lang="zh-CN"><voice name="Microsoft Server Speech Text to Speech Voice (zh-CN, XiaoxiaoNeural)">" + text + "</voice></speak>";
                var request = new HttpRequestMessage()
                {
                    Method = HttpMethod.Post,
                    RequestUri = new Uri(HOST),
                    Content = new StringContent(body, Encoding.UTF8, "application/ssml+xml")
                };
                request.Headers.Add("Authorization", "Bearer " + authToken);
                request.Headers.Add("Connection", "Keep-Alive");
                request.Headers.Add("User-Agent", RESOURCE_NAME);
                request.Headers.Add("X-Microsoft-OutputFormat", "riff-24khz-16bit-mono-pcm");

                Console.WriteLine("正在进行远程过程调用...");

                var response = await httpClient.SendAsync(request);
                if (response.StatusCode != System.Net.HttpStatusCode.OK)
                {
                    Console.WriteLine("The Response {0}", response.StatusCode);
                    return;
                }
                using (var stream = await response.Content.ReadAsStreamAsync())
                {
                    stream.Position = 0;
                    Console.WriteLine("正在下载语音文件 {0} ...", fileName);
                    using (var fs = new FileStream(fileName, FileMode.Create, FileAccess.Write, FileShare.ReadWrite))
                    {
                        await stream.CopyToAsync(fs);
                        fs.Close();
                    }
                }
                Console.WriteLine("文本转换语音成功");
                Console.WriteLine("===============
");
            }
        }

这段代码也非常的简单，首先是构造一个 SSML 文件格式的 Body，并在请求头中加入 AuthToken 还有其它的一些头部标识，然后就开始正式的请求语音文件，最后将合成好的语音文件保存到本地。

2.3 开始调用过程

        static void Main(string[] args)
        {
            var result = GetTokenAsync().ConfigureAwait(false).GetAwaiter();
            string token = result.GetResult();

            var text1 = "你好，我是来自博客园的技术爱好者 Ron Liang；很高兴可以试用 Speech，希望一切顺利。";
            var task1 = RequestSSML(token, text1, "1.wav");
            task1.ConfigureAwait(false).GetAwaiter().GetResult();

            var text2 = "小哥哥，来一发<prosody rate="-40.00%" volume="-80.00%" duration="1.5s">吗？</prosody>";
            var task2 = RequestSSML(token, text2, "2.wav");
            task2.ConfigureAwait(false).GetAwaiter().GetResult();

            var text3 = "蒿嗨偶，肝绝忍僧衣襟捣打的高草，肝绝忍僧衣襟捣打了巅峰。蒿赠寒，蒿朵母，蒿悬猜。";
            var task3 = RequestSSML(token, text3, "3.wav");
            task3.ConfigureAwait(false).GetAwaiter().GetResult();

            Console.WriteLine("按任意键退出");
            Console.ReadKey();
        }

上面有3段文本，对应合成3段语音，1和3是纯粹捣乱的，第二段文本中加入了SSML标记prosody，其属性表示：rate=-40%(降低语速),volume=80%(降低音量),duration=1.5s(延时1.5s)

2.3 按 F5 运行程序

非常完美的运行成功，我们得到了3个语音文件，分别是：

• 正常版：
• 你好，我是来自博客园的技术爱好者 Ron Liang；很高兴可以试用 Speech，希望一切顺利。

• 撩人版：
• 小哥哥，来一发吗？

• 方言版：
• 蒿嗨偶，肝绝忍僧衣襟捣打的高草，肝绝忍僧衣襟捣打了巅峰。蒿赠寒，蒿朵母，蒿悬猜。

结束语

整体来说，在普通的语境环境下，晓晓的表现还是不错的，整体令人满意，但是在自定义 SSML 的时候，就非常的麻烦，我调整了不下30分钟，都没有达到一个令人满意的结果；当然，晓晓还有别的优点，比如可以自定义语音字体，你可以请声优来训练专业你自己的语音字体，只为你一个人服务。

代码托管在GitHub上了
https://github.com/lianggx/Examples/tree/master/MySpeechApp