代码收藏家技术教程 2025-01-20

【Python】edge-tts ：便捷语音合成

edge-tts 是一个功能强大的 Python 库，利用 Microsoft Azure 的云端文本到语音（TTS）服务，支持多种语言和声音选项，能够生成高质量、自然听感的语音输出。它支持多种音频格式，包括 MP3、WAV 和 OGG，适用于在本地或服务器上进行文本转换为语音的应用程序，可以通过简单的 API 调用进行部署和运行，非常适合语音助手、教育应用和音频内容制作等多种场景。

安装与环境设置

首先，确保您已经安装了 edge-tts 库：

pip install edge-tts

安装完成后，您可以开始进行语音合成相关的功能开发。

文本转语音

在这个章节，我们将展示如何实现一个基础功能：传入文本并生成语音，保存为音频文件。该功能使用固定的语音并将语音保存为 .mp3 文件。执行后会生成 weather.mp3 音频文件，包含了合成的中文语音。

import asyncio
import edge_tts

def generate_audio(text: str, voice: str, output_file: str) -> None:
    """
    传入文本、语音及输出文件名，生成语音并保存为音频文件
    :param text: 需要合成的中文文本
    :param voice: 使用的语音类型，如 'zh-CN-XiaoyiNeural'
    :param output_file: 输出的音频文件名
    """
    async def generate_audio_async() -> None:
        """异步生成语音"""
        communicate = edge_tts.Communicate(text, voice)
        await communicate.save(output_file)

    # 异步执行生成音频
    asyncio.run(generate_audio_async())

# 示例调用
generate_audio("今天天气不错，适合出门玩耍。", "zh-CN-XiaoyiNeural", "weather.mp3")

generate_audio()：这是主函数，接收文本、语音和输出文件名作为参数。

异步函数 generate_audio_async() 实现语音合成。

asyncio.run() 用于运行异步代码。

查找音色

在此章节中，我们将展示如何查找符合特定条件的语音，并将符合条件的语音列表打印给用户，而不进行进一步的操作。此方法仅列出符合条件的语音，并打印出每个语音的名称、性别和语言。

import asyncio
import edge_tts
from edge_tts import VoicesManager

async def print_available_voices(language: str = "zh", gender: str = None) -> None:
    """
    异步查找并打印符合特定条件的语音列表。
    :param language: 语音的语言，如 "zh-CN" 表示中文
    :param gender: 可选参数，选择语音的性别（"Male" 或 "Female"），默认不指定
    """
    # 异步获取所有可用语音
    voices = await VoicesManager.create()

    # 根据语言过滤语音
    filtered_voices = voices.find(Language=language)
    if gender:
        filtered_voices = [voice for voice in filtered_voices if voice["Gender"] == gender]
    
    # 打印符合条件的语音
    if filtered_voices:
        print(f"符合条件的语音：")
        for voice in filtered_voices:
            print(f"语音名称: {voice['Name']}, 性别: {voice['Gender']}, 语言: {voice['Language']}")
    else:
        print(f"没有找到符合条件的语音：语言={language}, 性别={gender}")

# 示例调用
async def main():
    await print_available_voices(language="zh", gender="Female")

# 运行异步示例
if __name__ == "__main__":
    asyncio.run(main())

print_available_voices()：此函数是异步的，通过 await 来调用 VoicesManager.create()，并获取语音列表。然后通过 voices.find() 根据语言和性别筛选语音。

更改语音参数

除了选择不同的音色外，edge-tts 还允许用户在合成时对语音的音量、语速、音调等参数进行调整。通过 Communicate 类中的 rate、pitch 和 volume 参数，可以动态控制生成的语音效果。

import edge_tts

def generate_audio_with_custom_params(text: str, output_file: str, rate: str = "+0%", pitch: str = "+0Hz", volume: str = "+0%") -> None:
    """
    生成带有自定义语音参数的音频
    :param text: 需要合成的中文文本
    :param output_file: 输出的音频文件名
    :param rate: 语速调整（默认为 "+0%"，表示标准语速）
    :param pitch: 音调调整（默认为 "+0Hz"，表示标准音调）
    :param volume: 音量调整（默认为 "+0%"，表示标准音量）
    """
    # 选择中文语音，这里使用的是小艺的 Neural 语音
    voice = "zh-CN-XiaoyiNeural"  
    
    # 使用 edge_tts.Communicate 创建语音对象，并传入自定义参数
    communicate = edge_tts.Communicate(text, voice, rate=rate, pitch=pitch, volume=volume)
    
    # 保存生成的音频文件
    communicate.save_sync(output_file)
    print(f"音频已生成，语速: {rate}，音调: {pitch}，音量: {volume}。")

# 示例调用
generate_audio_with_custom_params(
    "欢迎体验自定义语音合成！", 
    "custom_param_audio.wav", 
    rate="+50%", 
    pitch="+10Hz", 
    volume="-20%"
)

rate（语速）：控制语速的调整。默认值为 "+0%"，表示标准语速。

pitch（音调）：控制音调的调整，单位是 Hz。默认值为 "+0Hz"，表示标准音调。

volume（音量）：控制音量的调整，单位是百分比。默认值为 "+0%"，表示标准音量。

生成音频与字幕

在某些应用场景中，您可能需要同时生成音频和字幕，并根据需要选择同步或异步方式进行处理。这个章节展示了如何通过 edge-tts 实现同步和异步生成音频和字幕文件。执行后，会生成音频文件和对应的字幕文件。

import asyncio
import edge_tts

def process_audio_and_subtitles_sync(text: str, voice: str, output_file: str, srt_file: str) -> None:
    """
    同步生成音频并实时生成字幕
    :param text: 需要合成的中文文本
    :param voice: 使用的语音类型
    :param output_file: 输出的音频文件名
    :param srt_file: 输出的字幕文件名
    """
    communicate = edge_tts.Communicate(text, voice)
    submaker = edge_tts.SubMaker()

    # 同步生成音频并实时生成字幕
    with open(output_file, "wb") as audio_file:
        for chunk in communicate.stream_sync():
            if chunk["type"] == "audio":
                audio_file.write(chunk["data"])  # 写入音频数据
            elif chunk["type"] == "WordBoundary":
                submaker.feed(chunk)  # 处理字幕

    # 保存字幕文件
    with open(srt_file, "w", encoding="utf-8") as subtitle_file:
        subtitle_file.write(submaker.get_srt())

async def process_audio_and_subtitles_async(text: str, voice: str, output_file: str, srt_file: str) -> None:
    """
    异步生成音频并实时生成字幕
    :param text: 需要合成的中文文本
    :param voice: 使用的语音类型
    :param output_file: 输出的音频文件名
    :param srt_file: 输出的字幕文件名
    """
    # 异步调用同步版本的逻辑
    loop = asyncio.get_event_loop()
    await loop.run_in_executor(None, process_audio_and_subtitles_sync, text, voice, output_file, srt_file)

# 示例调用
process_audio_and_subtitles_sync("欢迎使用 Python 进行语音合成！", "zh-CN-XiaoyiNeural", "audio_sync.mp3", "audio_sync.srt")

# 异步调用
asyncio.run(process_audio_and_subtitles_async("这是一段测试语音和字幕生成的示例。", "zh-CN-XiaoyiNeural", "audio_async.mp3", "audio_async.srt"))

process_audio_and_subtitles_sync：同步生成音频数据并实时生成字幕（SRT格式）。

使用 communicate.stream_sync() 获取音频数据流并处理每个“音频”和“词语边界”。

process_audio_and_subtitles_async：通过 asyncio.run_in_executor 异步调用同步版本的 process_audio_and_subtitles_sync，确保异步函数可以高效地运行。