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：

setxCOGNITIVE_SERVICE_KEY 您的秘钥

Linux系统使用如下命令：

exportCOGNITIVE_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

exportCOGNITIVE_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

exportCOGNITIVE_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:

pip3install azure-cognitiveservices-speech

创建test.py文件：

importazure.cognitiveservices.speechasspeechsdkimportos

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-ttsprebuilt-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：

importazure.cognitiveservices.speechasspeechsdkimportos

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-XiaomoNeuralspeech_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：

importazure.cognitiveservices.speechasspeechsdkimportos

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-XiaomoNeuralspeech_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：

lsoutput.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 ="""
    " xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN">
        ">
            "  role="YoungAdultFemale" >
            ">
                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。

            
        
    """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。