快速体验微软TTS服务
微软的语音合成服务（TTS）拥有500多种高品质的音色，并且在全球都有节点可以接入，在国内访问延迟可以控制在毫秒级。下面介绍在不需要编码的情况下，如何快速体验微软TTS的效果。
方式一、微软语音库UI界面
语音库地址：Speech Studio
条件：有微软开发账号
访问微软的语音库页面，在页面上选择需要体验的声音，然后输入对应文本，就能实时合成语音。
没有账号的话，可以听官方给的demo，效果可能会有差异。
方式二、REST API
TTS API：文本转语音 API 参考 (REST) - 语音服务 - Azure AI services | Microsoft Learn
条件：有语音服务的token
开发者有可能没有账号的权限，但是一定有sts的token，服务上线也需要这个token。
通过API获取音频需要分三步：
-
选取语音名称
-
获取TTS的访问token
-
调用语音合成接口
选取语音名称
一般我们会先在语音库试听声音的demo，大致选定几个声音。然后在“示例代码”里找到：
config.SpeechSynthesisVoiceName = "zh-CN-XiaochenMultilingualNeural";"zh-CN-XiaochenMultilingualNeural"就是当前声音对应的名字。
另外，可以通过声音列表接口，获取全部支持的声音和可用的区域：
curl 'https://eastasia.tts.speech.microsoft.com/cognitiveservices/voices/list' --header 'Authorization: Bearer {accessToken}' --- 返回值 ---
[{"Name": "Microsoft Server Speech Text to Speech Voice (af-ZA, AdriNeural)","DisplayName": "Adri","LocalName": "Adri","ShortName": "af-ZA-AdriNeural","Gender": "Female","Locale": "af-ZA","LocaleName": "Afrikaans (South Africa)","SampleRateHertz": "48000","VoiceType": "Neural","Status": "GA","WordsPerMinute": "147"},...
]请求头里的accessToken就是第二步获取到访问token。
获取访问token
获取访问token需要先拿到语音服务的apiKey，这个需要用微软账号在后台先创建出来。然后通过接口获取访问token：
curl -X POST 'https://eastasia.api.cognitive.microsoft.com/sts/v1.0/issueToken' --header 'Ocp-Apim-Subscription-Key: {apiKey}' -d ''调用语音合成接口
拿到访问token后，就能直接通过语音API /cognitiveservices/v1合成音频：
curl -X POST 'https://eastasia.tts.speech.microsoft.com/cognitiveservices/v1' \
-H 'Authorization: Bearer {accessToken}' \
-H 'X-Microsoft-OutputFormat: audio-24khz-48kbitrate-mono-mp3' \
-H 'User-Agent: TEST' \
-H 'Content-Type: application/ssml+xml' \
-d '<speak version="1.0" xmlns="https://www.w3.org/2001/10/synthesis" xml:lang="en-US"><voice name="zh-CN-XiaochenMultilingualNeural">hi there!How was your weekend?Did you do anything interesting?</voice>
</speak>' --output test.mp3这里有几个注意点：
-
apiKey是和区域绑定，选择endpoint的时候要注意对应关系。区域和endpoint关系
-
X-Microsoft-OutputFormat决定合成音频的采样率和格式等信息，16khz效果较差，24khz和48kzh才有真人的感觉。音频输出格式
-
body里填的是SSML格式内容，voice标签可以指定声音名字。SSML介绍
方式三、通过SDK合成
SDK方式：文本转语音快速入门 - 语音服务 - Azure AI services | Microsoft Learn
条件：有语音服务的token
通过SDK合成原理是本地与TTS服务建立websocket连接，支持合成音频内容流式输出，并且增加了许多回调事件。
线上环境应该优先使用SDK合成方式，这种方式准备环境比较复杂，需要预安装一些插件，具体不展开介绍，可以查看官方文档。安装语音SDK
安装完环境后，调用方式如下：
SpeechConfig config = SpeechConfig.fromSubscription("{apiKey}", "{region}");
config.setSpeechSynthesisOutputFormat(SpeechSynthesisOutputFormat.Audio24Khz48KBitRateMonoMp3);
config.setSpeechSynthesisVoiceName("zh-CN-XiaochenMultilingualNeural");
SpeechSynthesizer speechSynthesizer = new SpeechSynthesizer(config, null);
SpeechSynthesisResult speechSynthesisResult = speechSynthesizer.SpeakSsml("""<speak version="1.0" xmlns="https://www.w3.org/2001/10/synthesis" xml:lang="en-US"><voice name="zh-CN-XiaochenMultilingualNeural">hi there!How was your weekend?Did you do anything interesting?</voice></speak>""");
System.out.println("音频的二进制内容：" + speechSynthesisResult.getAudioData());