花樣試用微軟語音服務曉曉

時間 2019-11-06

原文原文鏈接

前言

受微軟美女員工 Grace Peng 邀請（也多是套路？？？），參加微軟神經語音（沒錯，就是神經）曉曉的試用，首先是看到了羣裏面的消息，而後就是發送申請，等待回覆，過了幾天後，收到了一個機器人發來的帳號密碼，告訴我已經幫我申請了免費試用的帳號，直接登陸便可使用了。其實一直都有接觸各類 TTS 的服務，可是在測試微軟曉曉的過程當中發現，在擬人方面，曉曉的發音彷佛被訓練得很不錯，在語法方面，曉曉支持 SSML 語法，具體參見：https://www.w3.org/TR/speech-synthesis/ 什麼是 SSML，來自百度百科語音合成標記語言的解釋。git

1. 準備工做

話很少說，立刻開始，首先登陸 Azure portal,github

1.1 選擇「認知服務」，添加一個新的 Speech 訂閱命名爲：MySpeechService

1.2 等待部署完成

1.3 Speech 部署完成後

點擊左側列表中的「全部資源」鏈接，進入資源管理面板
api

1.4 選擇資源，查看密鑰

在資源面板點擊剛纔建立好的 MySpeechService，進入詳情後點擊「鍵」(keys)，能夠看到已經生成好的密鑰，等一下調用 Speech 服務的時候須要用到，好了，準備工做已經完成了，下面就寫兩行代碼試試。app

2. 開始試用

建立一個控制檯項目：MySpeechApp，進行一些簡單的編碼工做，在正式編碼以前，須要來了解一下調用流程async

從上面的流程圖能夠了解到，首先，咱們須要使用建立好的 Speech 服務中的密鑰去換取訪問 Token ，而後，使用 Token 調用 Speech 主機，傳遞文本，下載語音文件，整個流程結束。測試

注意：經過上面的流程，只能合成 10 分鐘之內的語音文件。

好了，流程已經看懂了，下面正式開始編碼。字體

2.1 定義公共的變量備用

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：換取 Token 調用的 URL
SUB_KEY：資源密鑰，就是 1.4 中的鍵（keys）
HOST：Speech 主機，由於給我分配的是東南亞的，因此這裏地區也必須選擇 southeastasia，資源面板上也沒有說明，一開始使用的是 westus ，老是提示身份驗證異常，坑了好幾分鐘。
RESOURCE_NAME：資源名稱，就是咱們建立的服務名，這沒什麼好說的ui

2.2 換取訪問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();
            }
        }

代碼比較簡單，就是一個 Http 請求的封裝而已，核心內容是 httpClient.DefaultRequestHeaders.Add("Ocp-Apim-Subscription-Key", SUB_KEY);，把資源密鑰加入請求頭中。編碼

2.2 合成語音

private static async Task RequestSSML(string authToken, string text, string fileName)
        {
            Console.WriteLine("準備中...");
            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("正在進行遠程過程調用...");

                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("正在下載語音文件 {0} ...", fileName);
                    using (var fs = new FileStream(fileName, FileMode.Create, FileAccess.Write, FileShare.ReadWrite))
                    {
                        await stream.CopyToAsync(fs);
                        fs.Close();
                    }
                }
                Console.WriteLine("文本轉換語音成功");
                Console.WriteLine("===============\n");
            }
        }

這段代碼也很是的簡單，首先是構造一個 SSML 文件格式的 Body，並在請求頭中加入 AuthToken 還有其它的一些頭部標識，而後就開始正式的請求語音文件，最後將合成好的語音文件保存到本地。spa

2.3 開始調用過程

static void Main(string[] args)
        {
            var result = GetTokenAsync().ConfigureAwait(false).GetAwaiter();
            string token = result.GetResult();

            var text1 = "你好，我是來自博客園的技術愛好者 Ron Liang；很高興能夠試用 Speech，但願一切順利。";
            var task1 = RequestSSML(token, text1, "1.wav");
            task1.ConfigureAwait(false).GetAwaiter().GetResult();

            var text2 = "小哥哥，來一發<prosody rate=\"-40.00%\" volume=\"-80.00%\" duration=\"1.5s\">嗎？</prosody>";
            var task2 = RequestSSML(token, text2, "2.wav");
            task2.ConfigureAwait(false).GetAwaiter().GetResult();

            var text3 = "蒿嗨偶，肝絕忍僧衣襟搗打的高草，肝絕忍僧衣襟搗打了巔峯。蒿贈寒，蒿朵母，蒿懸猜。";
            var task3 = RequestSSML(token, text3, "3.wav");
            task3.ConfigureAwait(false).GetAwaiter().GetResult();

            Console.WriteLine("按任意鍵退出");
            Console.ReadKey();
        }

上面有3段文本，對應合成3段語音，1和3是純粹搗亂的，第二段文本中加入了SSML標記prosody，其屬性表示：rate=-40%(下降語速),volume=80%(下降音量),duration=1.5s(延時1.5s)