【AIGC】我的声音我作主——不花钱的语音合成方案_gctts声变换

原以为语音合成是个很简单的事情，但细细了解一下，也并不是那么的简单，尤其是在涉及到中文的情况。

先简单介绍一下语音合成，由于本系列重在动手，理论部分就尽量从简了，有兴趣的同学请自行了解，我也会提供一些参考链接。

总体上来看，语音合成分成传统语音合成和端到端语音合成两大类：

传统语音合成

传统语音合成，前端需要语言学知识，后端需要了解发声机理，而且需要大量的人工介入来制定规则和参数，现在已经很少用了。

端到端的语音合成

简单说就是深度学习“一锅炖”，直接输入文本或注意字符，就能直接输出音频波形，并且有强大丰富的发音风格和韵律表现力，深受“不求甚解”的广大群众的喜爱。

闲扯两句，虽然我对AI有点小着迷，但我始终认为AI不是探究事物本质的方法（数学才是），AI可以让你达到“知其然”的程度，却几乎永远无法让你“知其所以然”，当然后者是不是必要的也有争论，就连XAI（可解释AI）也有躺平派（用就好，不需要解释)、反推派（通过深度学习模型反推构建决策树）和探究派（比如因果推理）等不同流派。

下面还是进入实战吧，能选择的语音合成（TTS）工具很多，今天我们介绍两个：gTTS、vits-chinese

TTS（Google Text-to-Speech）

注：请自行在colab（CPU）中输入执行

pip install gTTS     #载入Google Text To Speech函式库（文字转语音函式库）
!pip install mutagen    #载入声音处理函式库

#使用函式库
from gtts import gTTS         #文字转语音函式库
from IPython.display import Audio   #播放音档函式库
from random import randint      #随机数函式库
from mutagen.mp3 import MP3      #audio函式库
import time               #时间函式库
 
#自订函数，传入文字t，语音说出t。
def speak(t):
  tts = gTTS(t, lang='zh', slow=True)  #lang语言：zh中文、en英文、ja日文。slow语速慢：True是、False否。
  tts.save('t.mp3')             #储存音档，档名text.mp3
  display(Audio('t.mp3', autoplay=True))  #播放音档text.mp3。autoplay自动播放：True是、False否。
  audio = MP3("t.mp3")
  time.sleep(audio.info.length)       #等待播完音标

#测试speak函数,可不执行。可输入数字、英文、中文，观察结果。
n=input('输入文字:')
speak(n)

gTTS处理速度很快，两、三百字左右秒出，但声音比较单调机械，没有什么感情。

gTTS也支持一些预处理、分词，还支持流式（stream）处理，详细请参看官方说明：https://gtts.readthedocs.io/en/latest

vits-chinese

大家可以到上去体验一下：

https://ai.douresources.com

是不是感情丰富了很多，因为这里使用了vits训练的声音模型，还加了prosody韵律（停顿自然）模型。

通过gTTS或vits-chinese，现在我们可以把文字转换成语音了，那接下来的问题是，如何转换成我们想要的语音呢？

假设我们已经有自己训练好的声音模型。

一种方法是先TTS转换成任意声音，再用训练好的声音模型做推理，

这种比较适用于演讲的场景，但并不太适合于交互式的场景，等待的时候可能会有些长了。

另一种方法就是制作适用于TTS转换的声音模型，或者将已经制作的声音模型（SoVITS或RVC等），直接运用到TTS中，这就是下一篇要讲的内容了。

Everyone, have a good dream!