|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "606f3af1c78e3741e48ce77c31cea626",
|
|
|
"translation_date": "2025-08-27T00:13:15+00:00",
|
|
|
"source_file": "6-consumer/lessons/3-spoken-feedback/pi-text-to-speech.md",
|
|
|
"language_code": "mo"
|
|
|
}
|
|
|
-->
|
|
|
# 將文字轉換為語音 - Raspberry Pi
|
|
|
|
|
|
在本課程的這部分，您將撰寫程式碼，使用語音服務將文字轉換為語音。
|
|
|
|
|
|
## 使用語音服務將文字轉換為語音
|
|
|
|
|
|
可以使用 REST API 將文字發送到語音服務，獲取語音作為音訊檔案，並在您的 IoT 裝置上播放。請求語音時，您需要提供使用的語音，因為語音可以使用多種不同的聲音生成。
|
|
|
|
|
|
每種語言都支援一系列不同的聲音，您可以對語音服務發送 REST 請求，以獲取每種語言支援的聲音列表。
|
|
|
|
|
|
### 任務 - 獲取聲音
|
|
|
|
|
|
1. 在 VS Code 中打開 `smart-timer` 專案。
|
|
|
|
|
|
1. 在 `say` 函數上方新增以下程式碼，以請求語言的聲音列表：
|
|
|
|
|
|
```python
|
|
|
def get_voice():
|
|
|
url = f'https://{location}.tts.speech.microsoft.com/cognitiveservices/voices/list'
|
|
|
|
|
|
headers = {
|
|
|
'Authorization': 'Bearer ' + get_access_token()
|
|
|
}
|
|
|
|
|
|
response = requests.get(url, headers=headers)
|
|
|
voices_json = json.loads(response.text)
|
|
|
|
|
|
first_voice = next(x for x in voices_json if x['Locale'].lower() == language.lower() and x['VoiceType'] == 'Neural')
|
|
|
return first_voice['ShortName']
|
|
|
|
|
|
voice = get_voice()
|
|
|
print(f'Using voice {voice}')
|
|
|
```
|
|
|
|
|
|
此程式碼定義了一個名為 `get_voice` 的函數，該函數使用語音服務獲取聲音列表。然後找到與正在使用的語言匹配的第一個聲音。
|
|
|
|
|
|
接著呼叫此函數以儲存第一個聲音，並將聲音名稱列印到控制台。此聲音可以請求一次，並在每次將文字轉換為語音時使用該值。
|
|
|
|
|
|
> 💁 您可以從 [Microsoft Docs 的語言和聲音支援文件](https://docs.microsoft.com/azure/cognitive-services/speech-service/language-support?WT.mc_id=academic-17441-jabenn#text-to-speech) 獲取支援的聲音完整列表。如果您想使用特定的聲音，可以移除此函數並直接將聲音名稱硬編碼到文件中的聲音名稱。例如：
|
|
|
>
|
|
|
> ```python
|
|
|
> voice = 'hi-IN-SwaraNeural'
|
|
|
> ```
|
|
|
|
|
|
### 任務 - 將文字轉換為語音
|
|
|
|
|
|
1. 在此程式碼下方，定義一個常數，用於從語音服務檢索音訊格式。當您請求音訊時，可以使用多種不同的格式。
|
|
|
|
|
|
```python
|
|
|
playback_format = 'riff-48khz-16bit-mono-pcm'
|
|
|
```
|
|
|
|
|
|
您可以使用的格式取決於您的硬體。如果在播放音訊時出現 `Invalid sample rate` 錯誤，請將其更改為其他值。您可以在 [Microsoft Docs 的文字轉語音 REST API 文件](https://docs.microsoft.com/azure/cognitive-services/speech-service/rest-text-to-speech?WT.mc_id=academic-17441-jabenn#audio-outputs) 中找到支援的值列表。您需要使用 `riff` 格式音訊，可嘗試的值包括 `riff-16khz-16bit-mono-pcm`、`riff-24khz-16bit-mono-pcm` 和 `riff-48khz-16bit-mono-pcm`。
|
|
|
|
|
|
1. 在此程式碼下方，宣告一個名為 `get_speech` 的函數，該函數將使用語音服務 REST API 將文字轉換為語音：
|
|
|
|
|
|
```python
|
|
|
def get_speech(text):
|
|
|
```
|
|
|
|
|
|
1. 在 `get_speech` 函數中，定義要呼叫的 URL 和要傳遞的標頭：
|
|
|
|
|
|
```python
|
|
|
url = f'https://{location}.tts.speech.microsoft.com/cognitiveservices/v1'
|
|
|
|
|
|
headers = {
|
|
|
'Authorization': 'Bearer ' + get_access_token(),
|
|
|
'Content-Type': 'application/ssml+xml',
|
|
|
'X-Microsoft-OutputFormat': playback_format
|
|
|
}
|
|
|
```
|
|
|
|
|
|
此程式碼設定標頭以使用生成的存取權杖，將內容設定為 SSML，並定義所需的音訊格式。
|
|
|
|
|
|
1. 在此程式碼下方，定義要發送到 REST API 的 SSML：
|
|
|
|
|
|
```python
|
|
|
ssml = f'<speak version=\'1.0\' xml:lang=\'{language}\'>'
|
|
|
ssml += f'<voice xml:lang=\'{language}\' name=\'{voice}\'>'
|
|
|
ssml += text
|
|
|
ssml += '</voice>'
|
|
|
ssml += '</speak>'
|
|
|
```
|
|
|
|
|
|
此 SSML 設定要使用的語言和聲音，以及要轉換的文字。
|
|
|
|
|
|
1. 最後，在此函數中新增程式碼以進行 REST 請求並返回二進位音訊資料：
|
|
|
|
|
|
```python
|
|
|
response = requests.post(url, headers=headers, data=ssml.encode('utf-8'))
|
|
|
return io.BytesIO(response.content)
|
|
|
```
|
|
|
|
|
|
### 任務 - 播放音訊
|
|
|
|
|
|
1. 在 `get_speech` 函數下方，定義一個新函數以播放 REST API 呼叫返回的音訊：
|
|
|
|
|
|
```python
|
|
|
def play_speech(speech):
|
|
|
```
|
|
|
|
|
|
1. 傳遞給此函數的 `speech` 將是 REST API 返回的二進位音訊資料。使用以下程式碼將其作為波形檔案打開，並傳遞給 PyAudio 播放音訊：
|
|
|
|
|
|
```python
|
|
|
def play_speech(speech):
|
|
|
with wave.open(speech, 'rb') as wave_file:
|
|
|
stream = audio.open(format=audio.get_format_from_width(wave_file.getsampwidth()),
|
|
|
channels=wave_file.getnchannels(),
|
|
|
rate=wave_file.getframerate(),
|
|
|
output_device_index=speaker_card_number,
|
|
|
output=True)
|
|
|
|
|
|
data = wave_file.readframes(4096)
|
|
|
|
|
|
while len(data) > 0:
|
|
|
stream.write(data)
|
|
|
data = wave_file.readframes(4096)
|
|
|
|
|
|
stream.stop_stream()
|
|
|
stream.close()
|
|
|
```
|
|
|
|
|
|
此程式碼使用 PyAudio 流，與捕捉音訊相同。不同之處在於此流被設定為輸出流，並從音訊資料中讀取資料並推送到流中。
|
|
|
|
|
|
與硬編碼流的詳細資訊（例如取樣率）不同，此處是從音訊資料中讀取。
|
|
|
|
|
|
1. 將 `say` 函數的內容替換為以下程式碼：
|
|
|
|
|
|
```python
|
|
|
speech = get_speech(text)
|
|
|
play_speech(speech)
|
|
|
```
|
|
|
|
|
|
此程式碼將文字轉換為二進位音訊資料，並播放音訊。
|
|
|
|
|
|
1. 執行應用程式，並確保函數應用程式也在執行。設定一些計時器，您將聽到語音回應，告訴您計時器已設定，然後在計時器完成時聽到另一個語音回應。
|
|
|
|
|
|
如果出現 `Invalid sample rate` 錯誤，請按照上述說明更改 `playback_format`。
|
|
|
|
|
|
> 💁 您可以在 [code-spoken-response/pi](../../../../../6-consumer/lessons/3-spoken-feedback/code-spoken-response/pi) 資料夾中找到此程式碼。
|
|
|
|
|
|
😀 您的計時器程式成功了！
|
|
|
|
|
|
---
|
|
|
|
|
|
**免責聲明**：
|
|
|
本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。 |
