在Python中使用科大訊飛Web API進行語音合成

前幾日訊飛開放平臺推出了WebAPI接口，剛好最近須要實現一個文字轉語音的功能，因而就嘗試着用了起來。但不知什麼緣由，官方文檔的調用示例一直報錯，最後本身照着示例的思路用python3重寫了一遍。因此此次總結一下在Python中使用訊飛Web API進行語音合成的過程。

註冊訊飛開放平臺

首先註冊訊飛開放平臺：http://passport.xfyun.cn/regi...

註冊完成後進入控制檯，在控制檯建立一個新應用 ，填寫一些基本信息，注意 應用平臺 選擇 WebAPI 。

建立完成後，記錄下 APPID 和 APIKey ，將在程序中用到。

另外，請在 IP白名單 中添加本身的外網IP，能夠在http://www.ip138.com/ 查看。（通常來講外網IP會經常發生變化，請注意）

在Python3中使用訊飛Web API

先上代碼，後面進行必要的說明：

可能提示缺庫：pip3 install requests

* 使用python3執行

import base64
import json
import time
import hashlib
import requests

# API請求地址、API KEY、APP ID等參數，提早填好備用
api_url = "http://api.xfyun.cn/v1/service/v1/tts"
API_KEY = "替換成你的APIKEY"
APP_ID = "替換成你的APPID"
OUTPUT_FILE = "C://output.mp3"    # 輸出音頻的保存路徑，請根據本身的狀況替換
TEXT = "苟利國家生死以，豈因禍福避趨之"

# 構造輸出音頻配置參數
Param = {
    "auf": "audio/L16;rate=16000",    #音頻採樣率
    "aue": "lame",    #音頻編碼，raw(生成wav)或lame(生成mp3)
    "voice_name": "xiaoyan",
    "speed": "50",    #語速[0,100]
    "volume": "77",    #音量[0,100]
    "pitch": "50",    #音高[0,100]
    "engine_type": "aisound"    #引擎類型。aisound（普通效果），intp65（中文），intp65_en（英文）
}
# 配置參數編碼爲base64字符串，過程：字典→明文字符串→utf8編碼→base64(bytes)→base64字符串
Param_str = json.dumps(Param)    #獲得明文字符串
Param_utf8 = Param_str.encode('utf8')    #獲得utf8編碼(bytes類型)
Param_b64 = base64.b64encode(Param_utf8)    #獲得base64編碼(bytes類型)
Param_b64str = Param_b64.decode('utf8')    #獲得base64字符串

# 構造HTTP請求的頭部
time_now = str(int(time.time()))
checksum = (API_KEY + time_now + Param_b64str).encode('utf8')
checksum_md5 = hashlib.md5(checksum).hexdigest()
header = {
    "X-Appid": APP_ID,
    "X-CurTime": time_now,
    "X-Param": Param_b64str,
    "X-CheckSum": checksum_md5
}

# 發送HTTP POST請求
def getBody(text):
    data = {'text':text}
    return data
response = requests.post(api_url, data=getBody(TEXT), headers=header)

# 讀取結果
response_head = response.headers['Content-Type']
if(response_head == "audio/mpeg"):
    out_file = open(OUTPUT_FILE, 'wb')
    data = response.content # a 'bytes' object
    out_file.write(data)
    out_file.close()
    print('輸出文件: ' + OUTPUT_FILE)
else:
    print(response.read().decode('utf8'))

下面按照代碼順序進行各部分的說明。

APIKey等參數

在代碼開頭填好各項參數，方面代碼中使用。

API_KEY和APP_ID請替換爲上一步建立應用後獲得的內容。請不要刪除雙引號。

OUTPUT_FILE是最終輸出音頻的保存路徑，根據本身的狀況替換。

TEXT是將要輸出爲語音的文本。

音頻配置參數

Param 是字典格式的音頻配置參數，其中 "aue" 可選 raw (生成wav)或 lame (生成mp3)，若是修改爲raw請記得同時修改輸出文件的擴展名。

最後須要將配置參數編碼爲Base64字符串：字典類型→明文字符串→utf8編碼→Base64(bytes)→Base64字符串，具體實現能夠參考代碼。

音頻配置參數的詳細說明能夠參考請求參數 | 語音合成 。

HTTP請求頭部

根據 受權認證 | 科大訊飛RESET_API開發指南 ，在調用全部業務接口時，都須要在HTTP請求頭部中配置如下參數用於受權認證：

參數	格式	說明
X-Appid	string	訊飛開放平臺註冊申請應用的應用ID(appid)
X-CurTime	string	當前UTC時間戳，從1970年1月1日0點0 分0 秒開始到如今的秒數
X-Param	string	音頻配置參數JSON串經Base64編碼後的字符串
X-CheckSum	string	令牌，計算方法：MD5(apiKey + curTime + param)。三個值拼接的字符串，進行MD5哈希計算（32位小寫）。

具體實現參考代碼中字典 header 。

發送請求&讀取結果

最後使用requests庫發送HTTP POST請求，獲得結果。根據響應的 header 能夠判斷是否合成成功。

若響應頭部包含Content-type: audio/mpeg，則響應Body爲音頻數據，可寫入文件保存。

若合成出現錯誤，響應頭部包含Content-type: text/plain，響應Body爲記載了錯誤類型的json字符串。

返回值的具體說明請參考 返回值 | 語音合成 。

運行結果

使用幾回後，感受合成語音的斷句作得不是很優秀，但響應速度很快，仍是比較滿意的。

output.mp3

小結

最近使用了幾種Web API，對這類API的使用方法也算是有些經驗了。最後，如今語音識別、圖靈機器人、語音合成都試着作了一遍，下一篇博客將把他們組合起來，實現一個簡單的語音助手。

感謝你閱讀文章！