花样试用微软语音服务晓晓

时间 2019-11-06

原文原文链接

前言

受微软美女员工 Grace Peng 邀请（也多是套路？？？），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，而后就是发送申请，等待回复，过了几天后，收到了一个机器人发来的帐号密码，告诉我已经帮我申请了免费试用的帐号，直接登陆便可使用了。其实一直都有接触各类 TTS 的服务，可是在测试微软晓晓的过程当中发现，在拟人方面，晓晓的发音彷佛被训练得很不错，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。git

1. 准备工做

话很少说，立刻开始，首先登陆 Azure portal,github

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 “全部资源”链接，进入资源管理面板
api

1.4 选择资源，查看密钥

在资源面板点击刚才建立好的 MySpeechService，进入详情后点击 “键”(keys)，能够看到已经生成好的密钥，等一下调用 Speech 服务的时候须要用到，好了，准备工做已经完成了，下面就写两行代码试试。app

2. 开始试用

建立一个控制台项目：MySpeechApp，进行一些简单的编码工做，在正式编码以前，须要来了解一下调用流程async

从上面的流程图能够了解到，首先，咱们须要使用建立好的 Speech 服务中的密钥去换取访问 Token ，而后，使用 Token 调用 Speech 主机，传递文本，下载语音文件，整个流程结束。测试

注意：经过上面的流程，只能合成 10 分钟之内的语音文件。

好了，流程已经看懂了，下面正式开始编码。字体

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，由于给我分配的是东南亚的，因此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 ，老是提示身份验证异常，坑了好几分钟。
RESOURCE_NAME：资源名称，就是咱们建立的服务名，这没什么好说的ui

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。编码

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("===============\n");
            }
        }

这段代码也很是的简单，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，而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。spa

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；很高兴能够试用 Speech，但愿一切顺利。";
            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%(下降语速),volume=80%(下降音量),duration=1.5s(延时1.5s)

2.3 按 F5 运行程序

很是完美的运行成功，咱们获得了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；很高兴能够试用 Speech，但愿一切顺利。

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

总体来讲，在普通的语境环境下，晓晓的表现仍是不错的，总体使人满意，可是在自定义 SSML 的时候，就很是的麻烦，我调整了不下30分钟，都没有达到一个使人满意的结果；固然，晓晓还有别的优势，好比能够自定义语音字体，你能够请声优来训练专业你本身的语音字体，只为你一我的服务。

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