今天我要和大家分享一个新功能更新——微软的文本转语音和语音转文本功能。最近，微软对其AI语音识别和语音合成技术进行了重大升级，效果非常好，现在我将分别为大家介绍这两个功能。
先来听下这个效果吧
微软文本转语音和语音转文本功能更新
文本转语音
文本转语音（Text-to-Speech, TTS）是一种将文本信息转换为自然听起来的语音的技术。微软的文本转语音功能提供了多种语言和语音选项，支持多种平台和设备，使得用户可以轻松将文本转换为语音。
更新后的文本转语音功能在语音合成方面有了很大的提升。它不仅能够更自然地模拟人类语音的语调、语速和语调变化，还能够根据上下文智能调整发音，使得合成的语音更加自然流畅。
python代码如下：运行后，会在终端运行的目录下生成一个output.mp3文件
from azure.cognitiveservices.speech import SpeechConfig, SpeechSynthesizer, AudioConfig
from azure.cognitiveservices.speech.audio import AudioOutputConfig
from azure.cognitiveservices.speech import ResultReason, CancellationReason
# 创建SpeechConfig对象
speech_config = SpeechConfig(subscription="key", region="service_region")
# 创建音频配置对象
audio_config = AudioConfig(filename="output.mp3") # 输出到MP3文件
# 创建语音合成器
speech_synthesizer = SpeechSynthesizer(speech_config=speech_config, audio_config=audio_config)
text="How To Unlock Cyberpunk 2077’s New Ending In Phantom Liberty"
# 定义SSML文本
ssml_string2="""
<!--ID=B7267351-473F-409D-9765-754A8EBCDE05;Version=1|{"VoiceNameToIdMapItems":[{"Id":"390baec9-d867-4c01-bdcf-04e5848ee7dc","Name":"Microsoft Server Speech Text to Speech Voice (zh-CN, XiaoxiaoMultilingualNeural)","ShortName":"zh-CN-XiaoxiaoMultilingualNeural","Locale":"zh-CN","VoiceType":"StandardVoice"}]}-->
<!--ID=FCB40C2B-1F9F-4C26-B1A1-CF8E67BE07D1;Version=1|{"Files":{}}-->
<!--ID=5B95B1CC-2C7B-494F-B746-CF22A0E779B7;Version=1|{"Locales":{"zh-CN":{"AutoApplyCustomLexiconFiles":[{}]},"de-DE":{"AutoApplyCustomLexiconFiles":[{}]}}}-->
<speak xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" xmlns:emo="http://www.w3.org/2009/10/emotionml" version="1.0" xml:lang="zh-CN"><voice name="zh-CN-XiaoxiaoMultilingualNeural"><lang xml:lang="zh-CN"><s />但我现在对这个职业的热爱还是非常的，呵呵,非常的，嗯,怎么说呢？日月可鉴的，哈哈，嗯还是希望可以把这个职业做下去或者做这个声音相关领域的工作，嗯，就是把自己的优势发挥的大一点，尽可能能用到自己擅长的东西，而不是说为了工作，为了挣钱而工作。<s /></lang></voice></speak>
"""
# 使用SSML文本进行语音合成
result = speech_synthesizer.speak_ssml_async(ssml_string2).get()
# 检查结果
if result.reason == ResultReason.SynthesizingAudioCompleted:
print("Speech synthesized to [output.mp3] for text [{}]".format(ssml_string2))
elif result.reason == ResultReason.Canceled:
cancellation_details = result.cancellation_details
print("Speech synthesis canceled: {}".format(cancellation_details.reason))
if cancellation_details.reason == CancellationReason.Error:
if cancellation_details.error_details:
print("Error details: {}".format(cancellation_details.error_details))
print("Did you update the subscription info?")
其中，Service_region和key值需要到azure中去获取，先选语音服务
语音转文本
语音转文本（Speech-to-Text, STT）则是一种将语音信息转换为文本的技术。微软的语音转文本功能支持多种语言和方言，能够实时将语音转换为文本，并提供了强大的噪声抑制和回声消除功能，使得识别准确率大大提高。
python代码如下：
import os
import tkinter as tk
from tkinter import filedialog, ttk
import azure.cognitiveservices.speech as speechsdk
from datetime import datetime
# 配置Azure语音服务的密钥和区域
speech_key = "key"
service_region = "service_region"
def recognize_speech():
# 获取选择的WAV文件路径
wav_file = filedialog.askopenfilename(filetypes=[("WAV Files", "*.wav")])
if wav_file:
# 更新状态标签
status_label.config(text="正在识别...")
# 创建语音配置对象,并设置语言为中文
speech_config = speechsdk.SpeechConfig(subscription=speech_key, region=service_region)
speech_config.speech_recognition_language = "zh-CN"
# 创建音频配置对象
audio_config = speechsdk.audio.AudioConfig(filename=wav_file)
# 创建语音识别器对象
speech_recognizer = speechsdk.SpeechRecognizer(speech_config=speech_config, audio_config=audio_config)
# 定义识别结果的回调函数
recognized_text = []
def handle_final_result(evt):
recognized_text.append(evt.result.text)
progress_bar.step(10) # 每次识别结果更新进度条
# 连接识别结果的事件处理程序
speech_recognizer.recognized.connect(handle_final_result)
# 定义识别状态的标志变量
is_recognizing = True
# 定义识别结束的回调函数
def handle_session_stopped(evt):
nonlocal is_recognizing
is_recognizing = False
# 连接识别结束的事件处理程序
speech_recognizer.session_stopped.connect(handle_session_stopped)
# 执行连续识别
speech_recognizer.start_continuous_recognition()
# 等待连续识别完成
while is_recognizing:
window.update()
# 停止连续识别
speech_recognizer.stop_continuous_recognition()
# 获取当前时间戳
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
# 构建保存文件的路径
save_path = os.path.join("C:\\temp", f"recognized_text_{timestamp}.txt")
# 将识别结果保存到文件
with open(save_path, "w", encoding="utf-8") as file:
file.write("\n".join(recognized_text))
# 更新状态标签
status_label.config(text="识别完成,结果已保存到文件: " + save_path)
# 重置进度条
progress_bar["value"] = 0
# 创建图形化界面
window = tk.Tk()
window.title("语音识别")
# 创建选择文件按钮
select_button = tk.Button(window, text="选择WAV文件", command=recognize_speech)
select_button.pack(pady=10)
# 创建状态标签
status_label = tk.Label(window, text="请选择要识别的WAV文件")
status_label.pack()
# 创建进度条
progress_bar = ttk.Progressbar(window, length=200, mode="determinate")
progress_bar.pack(pady=10)
# 运行图形化界面
window.mainloop()运行后，效果如下：
总结
总的来说，微软的文本转语音和语音转文本功能的这次更新，无疑是一次重大的技术突破。它不仅为用户提供了更加自然流畅的语音合成体验，还极大地提高了语音识别的准确率。这对于需要使用语音识别和语音合成功能的用户来说，无疑是一个巨大的福音。
好了，今天的分享就到这里。如果你对这两个功能有更多的疑问或者想法，欢迎在评论区留言讨论。我们下期再见！
