準備音源真是個大工程！居老師演的片子雖多，但是用原聲的沒有幾部，而且他不同片子里的聲線居然會變，會變，變……不知道聲線不統一對最後的合成效果影響大不大。更更更要命的是，背景音樂和噪音混在裡面，想分離出低噪音無背景音樂的句子真心困難，好怨念的 T_T

挑挑揀揀，最後選了馮豆子和採訪居，摳摳索索了個把月才勉勉強強湊出二十幾分鐘音源，禿頭中……

只提供20秒音源合成的效果比較恐怖，基本上聽不出聲音的起伏變化，發音也不清晰。

當提供的音頻素材達到20多分鐘後，發音效果有了明顯的提高，已經可以聽出聲調的起伏變化，字詞也相對清晰可辨，不過還是和居老師奶萌又磁性的聲音差了好遠，而且整個深度學習的時間也從幾分鐘拉長到了幾個小時。官方給出的說明是提供2-3小時以上的音頻素材才能實現比較理想的效果，8小時以上音頻素材可以接近真人發音，感覺這個工程之浩大，已經超出了本阿姨目前的承受範圍了，只能慢慢弄了。

----------------------------- 我是乾貨分隔線 -------------------------

下面進入正題，一步步演示如何創建個性化的TTS語音。

一. 創建一個微軟的 Azure account

微軟的TTS語音服務需要部署在他家的雲平台 Azure上（孤陋寡聞了，第一次聽說微軟家還有這個），因此需要創建一個帳號，另外要準備一張能支付美元的信用卡，新註冊的用戶會贈送 $200 （別做夢了，不是真的錢啦，只能在Azure上買服務，並且有效期只有30天，所以音頻沒有準備好之前不要輕易開賬戶，我開了賬戶後過了一個多月才開始使用，當初送的200刀就木有了T_T）。

註冊地址是： 註冊主界面

點擊 「Start free」後會打開一個新窗口讓登錄或者是註冊：

點擊 "Create One!"

輸入郵箱作為用戶名

輸入密碼

輸入發送到註冊郵箱里的驗證碼

輸入防機器人碼

註冊好了，提示登錄

填一下註冊信息

簡訊驗證一下

輸入信用卡信息

勾選同意

這裡提示要訂購一個服務

自己用，當然選第四個免費的

終於註冊好啦，點「Sign up」後進入Microsoft Azure 控制台

二. 開啟TTS語音服務

進入控制台後，就可以開啟TTS語音服務了

點擊左上角的「Create a resource」

在搜索框中輸入 「speech」

點擊 speech 選項

點擊創建按鈕

輸入TTS語音服務所需要的信息：

1. 服務的名字
2. 服務的類型（Pay-As-You-Go: 用多少付多少）
3. 服務的區域 （因為是中文，選東亞 East Asia）
4. 服務的級別 （免費的選 F0，付費的選S0）
5. 給資源起個名字

點「OK「，然後點屏幕下方的 」Create「按鈕，等幾秒鐘初始化

初始化好了之後，右上角的會提示部署完成，點擊 "Pin to Dashboard"創建一個控制台快捷方式，點擊 」Go to resource「，可以進入資源頁面

獲取 key，將生成的 key複製保存到記事本中

將key導入到個性化TTS定製服務中，首先進入導入頁面： 導入頁面

點擊 」Connect existing subscription「, 然後將剛才複製的key粘貼到窗口中

點擊 」Add「，然後進入項目管理頁面： 項目管理頁面

點擊」data「，就可以上傳供微軟進行神經網路深度學習（寫在這裡裝B，菜雞表示不明覺厲，聽起來好高大上的趕腳啊）的語音材料了

點擊 」Import Data「

輸入語音材料的基本信息，點擊」Import「

三. 語音及文本材料的注意事項

上傳的語音文件要打成一個壓縮包，語音材料的標準如下：

文件內容： 單句或短語，必須是同一種語言，不支持多語言混雜

文件格式： wav

採樣頻率： 至少16000 Hz，低於此採樣率，系統拒絕接受 (推薦 44100 Hz)

採樣格式： PCM， 16 bit

文件名： 數字加上wav後綴，如 00000000001.wav，文件名需唯一

壓縮包格式： .zip

壓縮包大小：單個壓縮包不超過 200 MB，可上傳多個壓縮包，屌絲免費用戶最多傳10個，氪金大佬可以傳50個

文本文件需採用UTF-8的編碼（注意一定要轉成此編碼，文本編輯器多半默認的編碼是ASCII碼，可以用記事本打開編輯好的文本文件，然後點擊另存為，轉換成UTF-8）。

文本文件的內容為文件名編碼和語音內容的組合，一行一句，二者需一一對應，文件名編碼和內容之間用 tab 鍵分隔（注意，不是空格！不是空格！不是空格！我開始打的空格，七百多個文件好不容易傳完，結果檢驗失敗，哭死），其樣式如下：

00000000001 大家好

00000000002 很高興見到你

00000000003 八十（不建議用80）

00000000004 下午三點（不建議用「下午3點」）

00000000005 你吃飯了嗎 （不建議帶標點符號？）

00000000006 下午五點的航班 （不建議用 「下午 5：00的航班」）

夾帶私貨推薦兩個工具：

1. 視頻轉換及音頻提取工具 ： ffmpeg

安裝後配置環境變數，可以通過命令行直接提取視頻中的音頻文件，速度飛快，8個G的視頻十幾分鐘搞定

C:> ffmpeg -i 00001.flv -acodec copy -vn 00001.aac

2. 音頻加工工具：Audacity

開源，插件多，網上教程多，基本滿足需求

四. 上傳音頻並開始學習

準備好語音材料及文本文件並上傳後，就可以讓微軟開始學習啦。

填寫音頻和文本文件的基本信息：名字，描述，語言選擇（zh-CN為簡體中文），性別，文本文件路徑，音頻文件壓縮包路徑

需要一點耐心，要傳一陣子。在上傳的過程中系統會自動檢驗文本文件和音頻文件的格式，為了防止花很長時間上傳大文件結果檢驗失敗的情況發生，可以先傳幾個小文件試試，允許多次上傳。

status那一項顯示的是當前文件的處理狀態：

• NotStarted: 表示文件已上傳，目前正在隊列中等待處理
• Running: 表示文件已經被驗證了，正在處理
• Succeeded: 表示處理成功

Utterance那一項顯示的是文本內容和音頻文件成功匹配的數量，比如音頻壓縮包中包含10個音頻文件，結果只有7個文件和文本文件的內容能對應上，此數值就會顯示為7。匹配數量越多越好

Report那一項顯示的是上傳文件的質量評估報告，可以下載下來，其具體含義如下：

• WaveID: 音頻文件名編碼
• ProunciationScore: 發音準確度，100分為滿分，低於70分說明有發音錯誤或不標準的地方，此項也會受音頻質量以及噪音程度的影響
• SnrScore: 音頻噪音程度，分數越高說明噪音越低，專業錄音棚可以達到50+，低於20分最終結果中也會聽到明顯的噪音。
• ImportStatus：文件導入結果
• Note: 備註

上傳完成後，可以開始創建個性化的語音了：創建語音

點擊 「Create New」按鈕

選擇已上傳的文件（可多選），輸入相應的信息，然後點擊「Create」按鈕，系統會自動跳轉到我的語音頁面。

此頁面上的status項顯示了當前個性化語音的創建狀態：

NotStarted表示創建語音的請求正在隊列中等待

Running 表示語音正在被創建

Succeeded表示語音創建成功

在出現Succeeded之前請耐心等待，創建（傳說中的神經網路深度學習）過程會根據上傳的文件數量和體積有所不同，幾百個utterances大概耗時幾個小時；20000以上utterances的訓練時間將達到40小時以上（干別的事去吧，不用一直在線盯著它看）。

當出現Succeeded後，可以點擊"Test"按鈕已檢驗效果（可多次檢驗）。

點擊「New Testing」按鈕。

如果選擇的是 Plain text，則在文本框中輸入普通文本；如果選擇SSML，則需要輸入xml格式的文本。點擊「Confirm「，文本的長度限制為1024個字元。

在出現頁面中，status項會顯示當前測試的狀態：

• NotStarted 表示待處理
• Running 表示正在處理
• Succeeded 表示處理成功

當處理成功後，可以點擊「Audio output」項中的「Download」鏈接下載剛剛生成的語音文件

點擊左上角的左箭頭回到之前的頁面，如果對當前生成的語音滿意，可以點擊「Deploy」按鈕部署該語音到Azure雲平台上。

----------------------- 我是選修課分割線 ---------------------

五. 創建個性化語音的API （Endpoint）

如果想實時調用自己創建的個性化語音，比如智能語音設備的交互功能，或者是手機APP的交互功能，就需要將它部署到Azure雲平台，並為其創建Endpoint。具體操作方法如下：

回到我的聲音主界面，點擊「Deploy」按鈕，然後輸入語音服務的名字和描述。點擊「Create」按鈕後頁面會自動跳轉到「Endpoint」頁。

當Status項出現Succeeded，表示部署成功。此時需要記下剛剛生成的endpoint URL。下面開始測試這個endpoint，點擊「Test」按鈕。

輸入要測試的文本（100字元以內），點擊播放按鈕，即可以聽到剛才創建的個性化語音了。

六. 調用個性化語音服務的API （Endpoint）

如果想把比較大的純文本文件轉換成語音文件，並保存下來，或者是在智能設備上在線使用，就需要調用剛剛創建好的個性化語音服務的API了。如果你是苦逼碼農就不多解釋了，自己去微軟家的github上趴拉源代碼吧： TTS調用源代碼

如果是 IT 小白，也沒興趣研究代碼，可以去下我修改打包好的程序 （JAVA 菜雞後端，表示不會前端和UI，只能弄個 jar 出來，前端高手們可以自己寫個酷炫的UI界面）。

下載鏈接： 百度盤地址 提取碼：j8S1

如果要運行這個jar，需要先安裝配置 jdk，安裝配置 jdk 的過程很簡單，網上隨便搜一下就能找到大把教程，這裡給個參考： JDK的安裝配置方法

簡單介紹一下步驟：

1. 雙擊運行 jdk 的安裝文件
2. 安裝完成後找到jdk所在的路徑，複製這個路徑
3. 控制面板 --> 系統 --> 高級系統設置 --> 環境變數

選擇「系統變數」區域的「新建」功能， 在」變數名「處填寫： JAVA_HOME，在」變數值「處填寫剛才複製的路徑。

打開「系統變數」區域的Path，將這條語句;%JAVA_HOME%in追加到Path變數值的最後面

驗證一下安裝配置是否成功，可以點擊」開始「，然後敲 cmd 打開命令行窗口，輸入 java 回車，如果出現用法介紹的頁面，就說明安裝成功了

jdk 安裝配置完成後，就可以開始運行 jar 文件來轉換文本文件了：

1. 找到下載的 jar 所在的文件夾，將要轉換的文本文件也放在同一個文件夾中，注意，文本文件需保存為UTF-8編碼。

2.在此文件夾空白處按住 Shift 鍵的同時點擊滑鼠右鍵，點擊 」在此處打開命令窗口」

3. 在彈出的命令行窗口中輸入命令： java -jar convertTTS.jar <文件名> <個性化語音的性別> <個性化語音的名稱><目標路徑> <Key> <Endpoint>

這裡需要傳入六個參數：

1） <文本文件路徑>： 就是需要轉換的文本文件路徑及文件名

2） <個性化語音的性別>： 創建的個性化語音服務採用的性別，M為男性，F為女性

3） <個性化語音的名稱>：創建的個性化語音服務的名稱

4） <目標路徑>： 就是轉換好之後要保存的路徑

5） <Key>： 就是前文中創建語音服務時讓記住的那個 Key

6） <Endpoint>：前面創建的Endpoint URL

舉例如下：

java -jar ttsConvert.jar C:/test/test.txt M zyl041688 C:/test/output.mp3 <Your Key> <Your Endpoint>

回車，至此大功告成！

----------------------- 附微軟的語音服務資費標準 --------------------

如果創建的是免費服務，每月可以免費轉化 ≤ 五百萬字元；如果創建的是標準化付費服務，每轉化 一百萬字元，收費 $6。

也可以在Azure 控制台上監控應用的花費狀態。

參考資料：

微軟個性化語音服務

Creating custom voice fonts 官方文檔

Transcription guidelines for using the Speech Service 官方文檔

Speech Service REST APIs 官方文檔

最後，居老師美圖鎮樓 ^_^

推薦閱讀：