首頁>編程相關>Ai源碼
下載

aspeak

Azure TTS API的簡單文本對語音客戶端。 ？

筆記

從6.0.0版本開始， aspeak默認使用Azure TTS的RESTFUL API。如果要使用WebSocket API，則可以在個人資料的身份auth部分中調用aspeak或set mode = "websocket"時指定--mode websocket 。

從4.0.0版本開始， aspeak在Rust中重寫。舊的Python版本可在python分支上找到。

您可以註冊一個Azure帳戶，然後根據需要選擇付款計劃（或堅持免費級別）。免費級別的配額為每月50萬個字符，免費。

請參閱“身份驗證”部分，以了解如何為Aspeak設置身份驗證。

安裝

從GitHub發行中下載（建議大多數用戶）

從這裡下載最新版本。

下載後，提取存檔，您將獲得一個二進制可執行文件。

您可以將其放入PATH環境變量中的目錄中，以便可以從任何地方運行它。

從AUR安裝（建議用於Arch Linux用戶）

從v4.1.0中，您可以從AUR安裝aspeak-bin 。

從PYPI安裝

從PYPI安裝還將為您安裝aspeak的Python綁定。查看庫用法＃python，以獲取有關使用Python綁定的更多信息。 

pip install -U aspeak==6.0.0

現在，預製車輪僅適用於X86_64架構。由於一些技術問題，我尚未將源分佈上傳到PYPI。因此，要從源構建輪子，您需要按照源的安裝中的說明進行操作。

由於Manylinux兼容性問題，Linux的車輪在PYPI上不可用。 （但是您仍然可以從源頭構建它們。）

從源安裝

僅CLI

從源安裝aspeak的最簡單方法是使用貨物： 

cargo install aspeak -F binary

另外，您也可以從AUR安裝aspeak 。

Python輪

要構建Python輪，您需要首先安裝maturin ： 

pip install maturin

將存儲庫和cd克隆到目錄之後，您可以通過運行構建車輪： 

maturin build --release --strip -F python --bindings pyo3 --interpreter python --manifest-path Cargo.toml --out dist-pyo3
maturin build --release --strip --bindings bin -F binary --interpreter python --manifest-path Cargo.toml --out dist-bin
bash merge-wheel.bash

如果一切順利，您將在dist目錄中獲得輪檔。

用法

運行aspeak help查看幫助消息。

運行aspeak help <subcommand>查看子命令的幫助消息。

驗證

身份驗證選項應放在任何子命令之前。

例如，要利用您的訂閱密鑰和由區域指定的官方端點，請運行以下命令： 

$ aspeak --region < YOUR_REGION > --key < YOUR_SUBSCRIPTION_KEY > text " Hello World "

如果您使用的是自定義端點，則可以使用--endpoint選項而不是--region 。

為了避免重複，您可以將身份驗證詳細信息存儲在Aspeak個人資料中。閱讀以下部分以獲取更多詳細信息。

在v5.2.0中，您還可以通過以下環境變量設置身份驗證秘密：

  • ASPEAK_AUTH_KEY使用訂閱密鑰進行身份驗證
  • ASPEAK_AUTH_TOKEN用於使用授權令牌身份驗證

在v4.3.0中，您可以讓Aspeak使用代理服務器連接到端點。目前，僅支持HTTP和SOCKS5代理（尚無HTTPS支持）。例如： 

$ aspeak --proxy http://your_proxy_server:port text " Hello World "
$ aspeak --proxy socks5://your_proxy_server:port text " Hello World "

Aspeak還尊重HTTP_PROXY （或http_proxy ）環境變量。

配置

Aspeak V4介紹了配置文件的概念。配置文件是一個配置文件，您可以在其中指定命令行選項的默認值。

運行以下命令來創建您的默認配置文件： 

$ aspeak config init

要編輯配置文件，請運行： 

$ aspeak config edit

如果您運行上述命令遇到困難，則可以手動編輯配置文件：

拳頭通過運行獲得個人資料的路徑： 

$ aspeak config where

然後使用您喜歡的文本編輯器編輯文件。

配置文件是一個toml文件。默認配置文件看起來像這樣：

檢查配置文件中的評論以獲取有關可用選項的更多信息。 

 # Profile for aspeak
# GitHub: https://github.com/kxxt/aspeak

# Output verbosity
# 0   - Default
# 1   - Verbose
# The following output verbosity levels are only supported on debug build
# 2   - Debug
# >=3 - Trace
verbosity = 0

#
# Authentication configuration
#

[ auth ]
# Endpoint for TTS
# endpoint = "wss://eastus.tts.speech.microsoft.com/cognitiveservices/websocket/v1"

# Alternatively, you can specify the region if you are using official endpoints
# region = "eastus"

# Synthesizer Mode, "rest" or "websocket"
# mode = "rest"

# Azure Subscription Key
# key = "YOUR_KEY"

# Authentication Token
# token = "Your Authentication Token"

# Extra http headers (for experts)
# headers = [["X-My-Header", "My-Value"], ["X-My-Header2", "My-Value2"]]

# Proxy
# proxy = "socks5://127.0.0.1:7890"

# Voice list API url
# voice_list_api = "Custom voice list API url"

#
# Configuration for text subcommand
#

[ text ]
# Voice to use. Note that it takes precedence over the locale
# voice = "en-US-JennyNeural"
# Locale to use
locale = " en-US "
# Rate
# rate = 0
# Pitch
# pitch = 0
# Role
# role = "Boy"
# Style, "general" by default
# style = "general"
# Style degree, a floating-point number between 0.1 and 2.0
# style_degree = 1.0

#
# Output Configuration
#

[ output ]
# Container Format, Only wav/mp3/ogg/webm is supported.
container = " wav "
# Audio Quality. Run `aspeak list-qualities` to see available qualities.
#
# If you choose a container format that does not support the quality level you specified here, 
# we will automatically select the closest level for you.
quality = 0
# Audio Format(for experts). Run `aspeak list-formats` to see available formats.
# Note that it takes precedence over container and quality!
# format = "audio-16khz-128kbitrate-mono-mp3"

如果要使用默認配置文件以外的配置文件，則可以使用--profile參數： 

aspeak --profile < PATH_TO_A_PROFILE > text " Hello "

如果要暫時禁用個人資料，則可以使用--no-profile參數： 

aspeak --no-profile --region eastus --key < YOUR_KEY > text " Hello "

音高和速率

  • rate ：語音的說話速度。
    • 如果您使用浮子值（例如0.5 ），則該值將乘以100％並變為50.00% 。
    • 您也可以使用以下值： x-slow ， slow ， medium ， fast ， x-fast ， default 。
    • 您也可以直接使用百分比值： +10% 。
    • 您也可以使用相對的浮點值（帶有f Postfix）， 1.2f ：
      • 根據Azure文檔，
      • 一個相對值表示為默認值的乘數。
      • 例如， 1f的值不會導致速率變化。值為0.5f的值導致速率減半。 3f的值導致速率增加了三倍。
  • pitch ：聲音的音調。
    • 如果使用浮點數（例如-0.5 ），則該值將乘以100％，並變為-50.00% 。
    • 您還可以使用以下值： x-low ， low ， medium ， high ， x-high ， default 。
    • 您也可以直接使用百分比值： +10% 。
    • 您也可以使用相對值（例如-2st或+80Hz ）：
      • 根據Azure文檔，
      • 相對值表示為“+”或“ - ”，然後是“ Hz”或“ ST”，該數字指定了更改音高的數量。
      • “ st”表示變更單元是半音單元，這是標準揮發尺度上的音調（半步）的一半。
    • 您也可以使用絕對值：例如600Hz

注意：不合理的高/低價值將通過Azure認知服務將其縮短為合理的值。

例子

以下示例假設您已經在個人資料中設置了身份驗證。

說“你好，世界！”默認發言人。 

$ aspeak text " Hello, world "

SSML演講

$ aspeak ssml << EOF
<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xml:lang='en-US'><voice name='en-US-JennyNeural'>Hello, world!</voice></speak>
EOF

列出所有可用的聲音。 

$ aspeak list-voices

列出中文的所有可用聲音。 

$ aspeak list-voices -l zh-CN

獲取有關聲音的信息。 

$ aspeak list-voices -v en-US-SaraNeural
輸出
 Microsoft Server Speech Text to Speech Voice (en-US, SaraNeural)
Display name: Sara
Local name: Sara @ en-US
Locale: English (United States)
Gender: Female
ID: en-US-SaraNeural
Voice type: Neural
Status: GA
Sample rate: 48000Hz
Words per minute: 157
Styles: ["angry", "cheerful", "excited", "friendly", "hopeful", "sad", "shouting", "terrified", "unfriendly", "whispering"]

將綜合語音保存到文件。 

$ aspeak text " Hello, world " -o output.wav

如果您喜歡MP3 / OGG / WebM，則可以使用-c mp3 / -c ogg / -c webm選項。 

$ aspeak text " Hello, world " -o output.mp3 -c mp3
$ aspeak text " Hello, world " -o output.ogg -c ogg
$ aspeak text " Hello, world " -o output.webm -c webm

列表可用質量水平

$ aspeak list-qualities
輸出
 Qualities for MP3:
  3: audio-48khz-192kbitrate-mono-mp3
  2: audio-48khz-96kbitrate-mono-mp3
 -3: audio-16khz-64kbitrate-mono-mp3
  1: audio-24khz-160kbitrate-mono-mp3
 -2: audio-16khz-128kbitrate-mono-mp3
 -4: audio-16khz-32kbitrate-mono-mp3
 -1: audio-24khz-48kbitrate-mono-mp3
  0: audio-24khz-96kbitrate-mono-mp3

Qualities for WAV:
 -2: riff-8khz-16bit-mono-pcm
  1: riff-24khz-16bit-mono-pcm
  0: riff-24khz-16bit-mono-pcm
 -1: riff-16khz-16bit-mono-pcm

Qualities for OGG:
  0: ogg-24khz-16bit-mono-opus
 -1: ogg-16khz-16bit-mono-opus
  1: ogg-48khz-16bit-mono-opus

Qualities for WEBM:
  0: webm-24khz-16bit-mono-opus
 -1: webm-16khz-16bit-mono-opus
  1: webm-24khz-16bit-24kbps-mono-opus

列出可用音頻格式（適用於專家用戶） 

$ aspeak list-formats
輸出
 amr-wb-16000hz
audio-16khz-128kbitrate-mono-mp3
audio-16khz-16bit-32kbps-mono-opus
audio-16khz-32kbitrate-mono-mp3
audio-16khz-64kbitrate-mono-mp3
audio-24khz-160kbitrate-mono-mp3
audio-24khz-16bit-24kbps-mono-opus
audio-24khz-16bit-48kbps-mono-opus
audio-24khz-48kbitrate-mono-mp3
audio-24khz-96kbitrate-mono-mp3
audio-48khz-192kbitrate-mono-mp3
audio-48khz-96kbitrate-mono-mp3
ogg-16khz-16bit-mono-opus
ogg-24khz-16bit-mono-opus
ogg-48khz-16bit-mono-opus
raw-16khz-16bit-mono-pcm
raw-16khz-16bit-mono-truesilk
raw-22050hz-16bit-mono-pcm
raw-24khz-16bit-mono-pcm
raw-24khz-16bit-mono-truesilk
raw-44100hz-16bit-mono-pcm
raw-48khz-16bit-mono-pcm
raw-8khz-16bit-mono-pcm
raw-8khz-8bit-mono-alaw
raw-8khz-8bit-mono-mulaw
riff-16khz-16bit-mono-pcm
riff-22050hz-16bit-mono-pcm
riff-24khz-16bit-mono-pcm
riff-44100hz-16bit-mono-pcm
riff-48khz-16bit-mono-pcm
riff-8khz-16bit-mono-pcm
riff-8khz-8bit-mono-alaw
riff-8khz-8bit-mono-mulaw
webm-16khz-16bit-mono-opus
webm-24khz-16bit-24kbps-mono-opus
webm-24khz-16bit-mono-opus

提高/降低音頻質量

 # Less than default quality.
$ aspeak text " Hello, world " -o output.mp3 -c mp3 -q=-1
# Best quality for mp3
$ aspeak text " Hello, world " -o output.mp3 -c mp3 -q=3

從文件中讀取文字並說話。 

$ cat input.txt | aspeak text

或者

$ aspeak text -f input.txt

使用自定義編碼： 

$ aspeak text -f input.txt -e gbk

從stdin讀取並說話。 

$ aspeak text

也許您喜歡： 

$ aspeak text -l zh-CN << EOF
我能吞下玻璃而不伤身体。
EOF

說中文。 

$ aspeak text "你好，世界！ " -l zh-CN

使用自定義語音。 

$ aspeak text "你好，世界！ " -v zh-CN-YunjianNeural

定制音高，價格和風格

$ aspeak text "你好，世界！ " -v zh-CN-XiaoxiaoNeural -p 1.5 -r 0.5 -S sad
$ aspeak text "你好，世界！ " -v zh-CN-XiaoxiaoNeural -p=-10% -r=+5% -S cheerful
$ aspeak text "你好，世界！ " -v zh-CN-XiaoxiaoNeural -p=+40Hz -r=1.2f -S fearful
$ aspeak text "你好，世界！ " -v zh-CN-XiaoxiaoNeural -p=high -r=x-slow -S calm
$ aspeak text "你好，世界！ " -v zh-CN-XiaoxiaoNeural -p=+1st -r=-7% -S lyrical

高級用法

使用自定義音頻格式進行輸出

注意：輸出到揚聲器時不支持某些音頻格式。 

$ aspeak text " Hello World " -F riff-48khz-16bit-mono-pcm -o high-quality.wav

圖書館用法

Python

新版本的aspeak用Rust編寫，Python綁定由PYO3提供。

這是一個簡單的例子： 

 from aspeak import SpeechService

service =  SpeechService ( region = "eastus" , key = "YOUR_AZURE_SUBSCRIPTION_KEY" )
service . speak_text ( "Hello, world" )

首先，您需要創建SpeechService實例。

創建SpeechService實例時，您可以指定以下參數：

  • audio_format （位置參數）：輸出音頻的音頻格式。默認值為AudioFormat.Riff24KHz16BitMonoPcm 。
    • 您可以通過提供容器格式和質量級別來獲得音頻格式： AudioFormat("mp3", 2) 。
  • endpoint ：語音服務的端點。
  • region ：或者，您可以指定語音服務的區域，而不是鍵入無聊的端點URL。
  • key ：語音服務的訂閱密鑰。
  • token ：演講服務的授課代幣。如果提供令牌，則將忽略訂閱密鑰。
  • headers ：語音服務的其他HTTP標頭。
  • mode ：選擇要使用的合成器。 rest或websocket 。
    • 在WebSocket模式下，當創建SpeechService實例時，合成器將連接到端點。

之後，您可以致電speak_text()說文字或speak_ssml()說SSML。或者，您可以調用synthesize_text()或synthesize_ssml()獲取音頻數據。

對於synthesize_text()和synthesize_ssml() ，如果提供output ，音頻數據將寫入該文件，並且該函數將None返回。否則，該功能將返回音頻數據。

這是speak_text()和synthesize_text()的常見選項：

  • locale ：聲音的地方。默認值為en-US 。
  • voice ：語音名稱。默認為en-US-JennyNeural 。
  • rate ：語音的說話速度。它必須是適合本節中記錄的要求的字符串：俯仰和費率
  • pitch ：聲音的音調。它必須是適合本節中記錄的要求的字符串：俯仰和費率
  • style ：聲音的風格。
    • 您可以通過執行aspeak -L -v <VOICE_ID>獲得特定語音的可用樣式列表
    • 默認值是general 。
  • style_degree ：樣式的程度。
    • 根據Azure文檔，樣式學位指定了口語風格的強度。它是0.01和2之間的浮點數，包括。
    • 在撰寫本文時，支持中文（普通話，簡化）神經聲音的樣式程度調整。
  • role ：聲音的角色。
    • 根據Azure文檔， role指定了口語角色扮演。聲音充當不同的年齡和性別，但語音名稱並沒有改變。
    • 在寫作時，支持這些中文（普通話，簡化）神經聲音的角色調整： zh-CN-XiaomoNeural ， zh-CN-XiaoxuanNeural ， zh-CN-YunxiNeural和zh-CN-YunyeNeural 。

銹

將aspeak添加到您的Cargo.toml ： 

$ cargo add aspeak

然後遵循aspeak板條箱的文檔。

有4個示例供快速參考：

  • 簡單使用Restsynthesizer
  • 簡單使用Websocketsynthesizer
  • 合成給定目錄中的所有TXT文件
  • 讀取合成式言論循環：逐行閱讀stdin的文本並說話
展開
附加信息
相關應用
爲您推薦
相關資訊 全部