1 离线合成 pytts

配置环境

1
2
3
4
5
$ apt-get update
$ apt-get install espeak
$ pip install pyttsx3
$ apt-get install ffmpeg
$ apt-get install alsa-utils

运行程序

1
2
3
4
5
6
7
8
9
10
11
12
import pyttsx3

engine = pyttsx3.init()
engine.setProperty('rate', 150)
engine.setProperty('volume', 0.7)

text = "你好，欢迎使用 pyttsx3 中文语音合成！"
engine.say(text)
engine.runAndWait()

engine.save_to_file(text, 'output.wav')
engine.runAndWait()

描述：十几年前的老工具，用规则实现，虽然能用但效果不好

优点：可以离线使用

缺点：塑料声太严重，反正我接受不了

2 google 语音合成

配置环境

1
$ pip install gtts

运行程序

1
2
3
4
5
6
7
8
from gtts import gTTS
import os

os.environ['HTTP_PROXY']='http://192.168.10.106:12346'
os.environ['HTTPS_PROXY']='http://192.168.10.106:12346'

tts = gTTS('你好，世界', lang='zh-cn')
tts.save('hello_world.mp3')

描述：google 提供的 tts 服务，虽然免费但限制比较严重；当然也可以附加一些工具，来解决这个问题；如果用直接删帧的方法会明显影响音质。

优点：调用简单合成速度快，不需要申请帐号可直接使用

缺点：无法调节速度，只有正常和慢，无法精调；需要科学上网

文档：https://github.com/pndurette/gTTS

3 openai 语音合成

配置环境

1
$ pip install openai

运行程序

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
from pathlib import Path
from openai import OpenAI

def generate_speech(api_key, text, model, voice, file_path):

client = OpenAI(api_key=api_key)
response = client.audio.speech.create(
	model=model,
	voice=voice,
	input=text
)

path = Path(file_path)
with open(path, 'wb') as file:
	file.write(response.content)
	return f'save to: {path}'

api_key = 'sk-xxx'
text = "测试一下openai的语音合成"
model="tts-1" # tts-1、tts-1-hd、tts-1、tts-1-hd
voice = "shimmer" # alloy、echo、fable、onyx、nova、shimmer
file_path = r"openai.mp3"

print(generate_speech(api_key, text, model, voice, file_path))

描述：openai 提供的基于大模型的语言合成，效果好

优点：流畅自然，合成速度也能接受

缺点：需要 openai 帐号，需要付费，需要科学上网

文档：https://platform.openai.com/docs/guides/text-to-speech

4 百度 tts

配置环境

1
$ pip install aip-baidu

运行程序

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
from aip import AipSpeech 

APP_ID = 'xxx'
API_KEY = 'xxx'
SECRET_KEY = 'xxx'  

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
manual = r'测试百度tts'

if __name__ == '__main__':
	print('start voice process')
	#语速spd: 5, 语调pit: 5, 播音per: 1
	result = client.synthesis(manual, 'zh', 1, {
		'vol': 5, 'per':1,
		})

	if not isinstance(result, dict):
		with open('baidu.mp3', 'wb') as f:
		f.write(result)
	else:
		print(result)
		print('process end')

描述：中规中举，在国内网络环境下可用

优点：一般手机提供的 tts 效果差不多，不需要科学上网

缺点：需要付费

文档：https://console.bce.baidu.com/ai/#/ai/speech/overview/resource/getFree

5 讯飞

例程：使用官方的 Python Demo 很长，依赖库也多；还且会随着 API 更新会切换接口，就不粘在这里了。

描述：几乎是中文合成效果最好的语音合成引擎

优点：字正腔圆，效果很好；新人礼包，第一年最高 50 万次免费，每天可用几百次

缺点：这 Demo, API, 和文档真是一言难尽…… 使用方式与百度类似，但调用方式不够友好

平台：https://www.xfyun.cn/services/online_tts

文档：https://www.xfyun.cn/doc/tts/online_tts/API.html

参数说明文档：找了半天才找到

6 总结

论合成速度，讯飞和百度都很快；而深度学习模型在转换内容多时会比较慢，此问题可以通过工程化方法优化。如果读技术文档，讯文最为字正腔圆；如果读小说 openai 真的可以听到情感输出，很上头，嘿嘿，反正这是个声控没办法。最终我做了设置界面，方便切换，主要用讯飞和 openai。当然，如果有资源也可以自已搭建深度学习的合成服务，训练你喜欢的声音。不过我觉得如果用得少，也没必要。

7 参考

【小沐学Python】Python实现TTS文本转语音（speech、pyttsx3、百度AI）