利用Python打造一个语音合成系统
一直对语音合成系统比较感兴趣,总想能给自己合成一点内容,比如说合成小说,把我下载的电子书播报给我听等等。
语音合成系统
其实就是一个基于语音合成的工具,但是这个东西由于很多厂家都提供了API的形式,因此开发难度大大降低,只需要调用几个API即可实现属于自己的语音合成工具。麻雀虽小,五脏俱全,一个小工具而已。往大了说,这就是一个小型的语音合成系统。
准备工作
首先我们电脑上需要安装
Anaconda
Python 3.7
visual studio code
步骤
这里我们选用讯飞开放平台的WebAPI接口
https://www.xfyun.cn/doc/tts/online_tts/API.html
首先我们到控制台创建一个应用:
创建好了之后,点击该应用进入,有该应用的详细栏目。(我这里创建了一个名为myaibot的应用)点击左侧的语音合成,再到下一级在线语音合成(流式版)
在右上侧,能够看到我们需要拿到3个东西:
APPID
APISecret
APIKey
有了这3个关键信息,我们就可以开始使用讯飞在线语音合成来打造我们的系统了。
代码实现
接下来终于到了代码实现环节了。首先安装我们需要的两个库
pip install websocket-client
pip install playsound
接下来我们定义一个类TtsPlay,包含4个函数
class TtsPlay:
def __init__(self): #初始化函数
def play_sound(self):#播放音频函数
def select_vcn(self,*arg):#选择下拉框设置发音人
def xfyun_tts(self):#进行语音合成
大家需要填上刚才从讯飞开放平台控制台获取到的appid、apikey以及apisecret。另外,搜索公众号技术社区后台回复“壁纸”,获取一份惊喜礼包。
def __init__(self):
self.vcn = 'xiaoyan'
self.APP_ID = 'xxx'# 请填上自己的appid
self.API_KEY = 'xxx'# 请填上自己的appkey
self.SECRET_KEY = 'xxx' # 请填上自己的appsecret
self.fname = ""
self.root = tk.Tk() # 初始化窗口
self.root.title("语音合成系统") # 窗口名称
self.root.geometry("600x550") # 设置窗口大小
self.root.resizable(0, 0) # 为了方便固定窗口大小
self.tk_lb = tk.Label(self.root, text='请选择语音发音人') # 标签
self.tk_text = tk.Text(self.root, width=77, height=30) # 多行文本框
self.tk_cb_vcn = ttk.Combobox(self.root, width=12) # 下拉列表框
# 设置下拉列表框的内容
self.tk_cb_vcn['values'] = ("甜美女声-小燕", "亲切男声-许久", "知性女声-小萍", "可爱童声-许小宝", "亲切女声-小婧")
self.tk_cb_vcn.current(0) # 将当前选择状态置为0,也就是第一项
self.tk_cb_vcn.bind("<
>" , self.select_vcn)self.tk_tts_file = tk.Label(self.root, text='生成文件名')
self.b1 = tk.Button(self.root, text='进行语音合成', width=10, height=1, command=self.xfyun_tts) # 按钮
self.tk_play = tk.Button(self.root, text='播放', width=10, height=1, command=self.play_sound) # 按钮
# 各个组件的位置
self.tk_tts_file.place(x=30, y=500)
self.b1.place(x=300, y=500)
self.tk_play.place(x=400, y=500)
self.tk_lb.place(x=30, y=30)
self.tk_cb_vcn.place(x=154, y=30)
self.tk_text.place(x=30, y=60)
self.root.mainloop()
当选择了下拉列表,设置对应的发音人
def select_vcn(self, *args):
if self.tk_cb_vcn.get() == '甜美女声-小燕':
self.vcn = "xiaoyan"
elif self.tk_cb_vcn.get() == '亲切男声-许久':
self.vcn = "aisjiuxu"
elif self.tk_cb_vcn.get() == '知性女声-小萍':
self.vcn = "aisxping"
elif self.tk_cb_vcn.get() == '可爱童声-许小宝':
self.vcn = "aisbabyxu"
elif self.tk_cb_vcn.get() == '亲切女声-小婧':
self.vcn = "aisjinger"
接下来我们来魔改讯飞自带的Python demo;
# -*- coding:utf-8 -*-
#
# author: iflytek
#
# 本demo测试时运行的环境为:Windows + Python3.7
# 本demo测试成功运行时所安装的第三方库及其版本如下:
# cffi==1.12.3
# gevent==1.4.0
# greenlet==0.4.15
# pycparser==2.19
# six==1.12.0
# websocket==0.2.1
# websocket-client==0.56.0
# 合成小语种需要传输小语种文本、使用小语种发音人vcn、tte=unicode以及修改文本编码方式
# 错误码链接:https://www.xfyun.cn/document/error-code (code返回错误码时必看)
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
import websocket
import datetime
import hashlib
import base64
import hmac
import json
from urllib.parse import urlencode
import ssl
from wsgiref.handlers import format_date_time
from datetime import datetime
from time import mktime
import _thread as thread
import os
import wave
STATUS_FIRST_FRAME = 0 # 第一帧的标识
STATUS_CONTINUE_FRAME = 1 # 中间帧标识
STATUS_LAST_FRAME = 2 # 最后一帧的标识
PCM_PATH = "./demo.pcm"
class Ws_Param(object):
# 初始化
def __init__(self):
self.tts_vcn = ""
self.tts_business_args = ""
self.tts_common_args = ""
self.tts_text_data = ""
self.APPID = ""
self.APIKey = ""
self.APISecret = ""
def set_tts_params(self, text, vcn):
self.tts_vcn = vcn
# 业务参数(business),更多个性化参数可在官网查看
self.tts_business_args = {"aue": "raw", "auf": "audio/L16;rate=16000", "vcn": self.tts_vcn, "tte": "utf8"}
# 使用小语种须使用以下方式,此处的unicode指的是 utf16小端的编码方式,即"UTF-16LE"”
# self.tts_text_data = {"status": 2, "text": str(base64.b64encode(self.Text.encode('utf-16')), "UTF8")}
self.tts_text_data = {"status": 2, "text": str(base64.b64encode(text.encode('utf-8')), "UTF8")}
def set_params(self, appid, api_seccret, api_key):
if appid != "":
self.APPID = appid
# 公共参数(common)
self.tts_common_args = {"app_id": self.APPID}
if api_key != "":
self.APIKey = api_key
if api_seccret != "":
self.APISecret = api_seccret
# 生成url
def create_url(self):
url = 'wss://tts-api.xfyun.cn/v2/tts'
# 生成RFC1123格式的时间戳
now = datetime.now()
date = format_date_time(mktime(now.timetuple()))
# 拼接字符串
signature_origin = "host: " + "ws-api.xfyun.cn" + "\n"
signature_origin += "date: " + date + "\n"
signature_origin += "GET " + "/v2/tts " + "HTTP/1.1"
# 进行hmac-sha256进行加密
signature_sha = hmac.new(self.APISecret.encode('utf-8'), signature_origin.encode('utf-8'),
digestmod=hashlib.sha256).digest()
signature_sha = base64.b64encode(signature_sha).decode(encoding='utf-8')
authorization_origin = "api_key=\"%s\", algorithm=\"%s\", headers=\"%s\", signature=\"%s\"" % (
self.APIKey, "hmac-sha256", "host date request-line", signature_sha)
authorization = base64.b64encode(authorization_origin.encode('utf-8')).decode(encoding='utf-8')
# 将请求的鉴权参数组合为字典
v = {
"authorization": authorization,
"date": date,
"host": "ws-api.xfyun.cn"
}
url = url + '?' + urlencode(v)
return url
def on_message(ws, message):
try:
message = json.loads(message)
code = message["code"]
sid = message["sid"]
audio = message["data"]["audio"]
audio = base64.b64decode(audio)
status = message["data"]["status"]
print(code, sid, status)
if status == 2:
print("ws is closed")
ws.close()
if code != 0:
err_msg = message["message"]
print("sid:%s call error:%s code is:%s" % (sid, err_msg, code))
else:
with open(PCM_PATH, 'ab') as f:
f.write(audio)
except Exception as e:
print("receive msg,but parse exception:", e)
# 收到websocket错误的处理
def on_error(ws, error):
print("### error:", error)
# 收到websocket关闭的处理
def on_close(ws):
print("### closed ###")
# 收到websocket连接建立的处理
def on_open(ws):
def run(*args):
d = {"common": wsParam.tts_common_args,
"business": wsParam.tts_business_args,
"data": wsParam.tts_text_data,
}
d = json.dumps(d)
print("------>开始发送文本数据")
ws.send(d)
if os.path.exists(PCM_PATH):
os.remove(PCM_PATH)
thread.start_new_thread(run, ())
def text2wav(appid, api_secret, api_key, text, vcn, fname):
wsParam.set_params(appid, api_secret, api_key)
wsParam.set_tts_params(text, vcn)
websocket.enableTrace(False)
ws_url = wsParam.create_url()
ws = websocket.WebSocketApp(ws_url, on_message=on_message, on_error=on_error, on_close=on_close)
ws.on_open = on_open
ws.run_forever(sslopt={"cert_reqs": ssl.CERT_NONE})
pcm2wav(PCM_PATH, fname)
def pcm2wav(fname, dstname):
with open(fname, 'rb') as pcmfile:
pcmdata = pcmfile.read()
print(len(pcmdata))
with wave.open(dstname, "wb") as wavfile:
wavfile.setparams((1, 2, 16000, 0, 'NONE', 'NONE'))
wavfile.writeframes(pcmdata)
wsParam = Ws_Param()
# 注意一下需要填入自己的appid、api_secret、api_key
if __name__ == "__main__":
text2wav(appid='xxx',
api_secret='xxx',
api_key='xxx',
text="这是一个测试",
vcn="xiaoyan",
fname="./demo.wav")
代码写好了,我们把Python代码run起来,最终一个语音合成系统就这样实现了!效果可以参考下图:
当前,各种云计算、云服务迅速发展,各大公司提供了丰富的资源,大大降低了人工智能开发的门槛,不需要懂语音合成的原理,只需不到半天时间,竟然可以这么快速开发出一个语音合成工具出来!
你还有什么想要补充的吗?
免责声明:本文内容来源于网络,文章版权归原作者所有,意在传播相关技术知识&行业趋势,供大家学习交流,若涉及作品版权问题,请联系删除或授权事宜。