Bruk tekst-til-tale-API-et

Fullført

På samme måte som sine tale-til-tekst-API-er , tilbyr Azure Speech i Foundry Tools et tekst-til-tale-API for talesyntese:

Som med talegjenkjenning er de fleste interaktive taleaktiverte applikasjoner i praksis bygget med Azure Speech SDK.

Mønsteret for implementering av talesyntese ligner på talegjenkjenning:

1. Bruk et SpeechConfig-objekt for å kapsle inn informasjonen som kreves for å koble til Azure Speech-ressursen din. Spesielt plasseringen og nøkkelen.
2. Du kan også bruke en AudioConfig til å definere utdataenheten for talen som skal syntetiseres. Som standard er dette standard systemhøyttaler, men du kan også angi en lydfil, eller ved eksplisitt å angi denne verdien til en nullverdi, kan du behandle lydstrømsobjektet som returneres direkte.
3. Bruk SpeechConfig og AudioConfig til å opprette et SpeechSynthesizer-objekt . Dette objektet er en proxy-klient for tekst-til-tale-API-en .
4. Bruk metodene for SpeechSynthesizer-objektet til å kalle opp de underliggende API-funksjonene. For eksempel bruker SpeakTextAsync() -metoden Azure Speech-tjenesten for å konvertere tekst til muntlig lyd.
5. Bearbeid svaret fra Azure Speech-tjenesten. Når det gjelder SpeakTextAsync-metoden , er resultatet et SpeechSynthesisResult-objekt som inneholder følgende egenskaper:
   • AudioData
   • Egenskaper
   • Grunn
   • ResultId

Når tale er syntetisert, er Reason-egenskapen satt til opplistingen SynthesizingAudioCompleted , og AudioData-egenskapen inneholder lydstrømmen (som, avhengig av AudioConfig , kan ha blitt sendt til en høyttaler eller fil automatisk).

Eksempel – syntetisering av tekst som tale

Følgende Python-eksempel bruker Azure Speech i Foundry Tools for å generere muntlig utdata fra tekst.

import azure.cognitiveservices.speech as speechsdk

# Speech config encapsulates the connection to the resource
speech_config = speechsdk.SpeechConfig(subscription=KEY, endpoint=ENDPOINT)

# Audio output config determines where to send the audio stream (defaults to speaker)
audio_config = speechsdk.audio.AudioOutputConfig(use_default_speaker=True)

# Use speech synthesizer to synthesize text as speech
speech_synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config,
                                                 audio_config=audio_config)
text = "My voice is my password!"
speech_synthesis_result = speech_synthesizer.speak_text_async(text).get()

# Did it succeeed?
if speech_synthesis_result.reason == speechsdk.ResultReason.SynthesizingAudioCompleted:
    # Yes!
    print("Speech synthesized for text [{}]".format(text))
elif speech_synthesis_result.reason == speechsdk.ResultReason.Canceled:
    # No - Ty to find out why not
    cancellation_details = speech_synthesis_result.cancellation_details
    print("Speech synthesis canceled: {}".format(cancellation_details.reason))
    if cancellation_details.reason == speechsdk.CancellationReason.Error:
        if cancellation_details.error_details:
            print("Error details: {}".format(cancellation_details.error_details))