人工智能交互集成在线语音合成能力的Tips

在线语音合成就是在联网的场景下将文字转换成声音，实现机器向人的声音交互。这个概念应该是比较好理解的，下面就结合官网的Android在线合成的Demo讲解一下合成的流程以及大家经常遇到的一些问题。

到官网SDK下载中心下载在线命令词识别SDK（这里以Android版本为例）后，可以发现压缩包里面的目录结构和听写的非常类似，这里告诉大家一个小秘密：

在官网下载Android的这三个选项下载的SDK包是一模一样的，为什么会这样呢？因为听写、在线合成、在线命令词三个功能在我们平台是放在一个SDK 包里的，版本也是做统一维护，SDK包里的demo自然也是集合了这个三个功能的演示功能（当然还包含一些其他功能，如语义理解、评测），如下图所示：

红框中的java文件从上到下依次是：命令词识别子demo、听写子demo、评测子Demo、Demo主入口界面、SpeechUtility初始化、 合成子Demo、语义理解子Demo。可能有人注意到，其中命令词识别子demo、听写子demo、合成子Demo都有对应本地功能，这些本地功能是有语 记APP提供的，而不是离线SDK提供的，所以如果你的手机上没有安装语记APP，你在demo里看到的这些本地功能是用不了的（报错语音组件未安装 21001），这部分想有更进一步的了解见帖子：

21001问题详解：http://bbs.xfyun.cn/forum.php?mod=viewthread&tid=11724&fromuid=33982

下面看一下TtsDemo.java里面的调用流程，注意在这之前一定别忘了SpeechApp.java里面的SpeechUtility初始化。

首先是初始化合成对象

            mTts = SpeechSynthesizer.createSynthesizer(TtsDemo.this, mTtsInitListener);

mTtsInitListener是初始化监听器，比较保险的做法是在初始化回调成功后再进行下面的操作。

然后是设置相关合成参数

            // 清空参数
            mTts.setParameter(SpeechConstant.PARAMS, null);
            // 根据合成引擎设置相应参数
            if(mEngineType.equals(SpeechConstant.TYPE_CLOUD)) {
                    mTts.setParameter(SpeechConstant.ENGINE_TYPE, SpeechConstant.TYPE_CLOUD);
                    // 设置在线合成发音人
                    mTts.setParameter(SpeechConstant.VOICE_NAME, voicer);
                    if(!"neutral".equals(emot)){
                            // 当前仅发音人“小艾”支持设置情感
                            // “小艾”发音人需要付费使用，具体请联系：[e-mail]
                            mTts.setParameter(SpeechConstant.EMOT, emot);
                    }
            //设置合成语速
            mTts.setParameter(SpeechConstant.SPEED, mSharedPreferences.getString("speed_preference", "50"));
            //设置合成音调
            mTts.setParameter(SpeechConstant.PITCH, mSharedPreferences.getString("pitch_preference", "50"));
            //设置合成音量
            mTts.setParameter(SpeechConstant.VOLUME, mSharedPreferences.getString("volume_preference", "50"));


            //设置播放器音频流类型
            mTts.setParameter(SpeechConstant.STREAM_TYPE, mSharedPreferences.getString("stream_preference", "3"));
            // 设置播放合成音频打断音乐播放，默认为true
            mTts.setParameter(SpeechConstant.KEY_REQUEST_FOCUS, "true");
            // 设置音频保存路径，保存音频格式支持pcm、wav，设置路径为sd卡请注意WRITE_EXTERNAL_STORAGE权限
            // 注：AUDIO_FORMAT参数语记需要更新版本才能生效
            mTts.setParameter(SpeechConstant.AUDIO_FORMAT, "wav");
            mTts.setParameter(SpeechConstant.TTS_AUDIO_PATH, Environment.getExternalStorageDirectory()+"/msc/tts.wav");

相关参数的作用在注释中已经说的比较详细了。
最后开始合成
mTts.startSpeaking(text, mTtsListener);

其中text就是你需要合成的文本，mTtsListener是合成监听器，里面包含了合成进度、合成完成等等非常有用的回调。

常见问题及解答：

1、发音人参数可以设置成哪些发音人呢？

目前支持的在线发音人列表见下面的帖子
【官方】合成发音人在线、离线支持情况
http://bbs.xfyun.cn/forum.php?mod=viewthread&tid=12012&fromuid=33982
(出处: 语音云社区)

2、一次可以合成多长的文本呢？我要合成文本超长了怎么办？

合成文本是有长度限制的，一次最长合成8192个字节的文本，你可能根据你的文本的编码格式换算出支持的最长字符数。如果你要合成的文本超长了，你可以将他按照长度限制进行切分，分多次合成后再依次进行音频数据的合并或者播放。

3、在线合成的音频数据是没有经过压缩的吗？会不会非常耗费流量？

和听写时音频数据的上传类似，合成是服务器返回的音频 数据是经过”speex编码“压缩过的，压缩比约为1:10，也就是时候服务端将合成的音频进行1:10的压缩，然后客户端SDK接收到音频后再解码成非 压缩的原始音频，那么按照16K采样率16位采样精度单声道的音频来计算，1秒钟的音频压缩后的大小大约为3K左右，并不是非常的大。另外上面提到的 speex编码并不是普通的speex编码，因此这两种方式压缩出来的音频也不能通用。