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/
<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
<https://baike.baidu.com/item/%E8%AF%AD%E9%9F%B3%E5%90%88%E6%88%90%E6%A0%87%E8%AE%B0%E8%AF%AD%E8%A8%80/22719894?fr=aladdin>
的解释。

1. 准备工作

话不多说，马上开始，首先登录 Azure portal <https://portal.azure.com/>,

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("===============\n"); } }
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
<https://github.com/lianggx/Examples/tree/master/MySpeechApp>

• « 上一篇：PyTorch在NLP任务中使用预训练词向量
• » 下一篇：Excel菜鸟学习笔记