【专栏精选】实战：百度语音合成

本文节选自洪流学堂公众号技术专栏《大话Unity2019》，未经允许不可转载。

洪流学堂公众号回复语音识别获取源码工程。

洪流学堂，让你快人几步。你好，我是郑洪智。

大智：“昨天我们实战了语音识别，在人工智能的语音领域，还有很大一块是语音合成，也就是Text to Speech，文字转语音。”
小新：“是不是就是我们经常听到的siri或者智能音箱那种声音？”
大智：“没错，那些声音都是用语音合成的技术合成音频文件，然后播放出来的。”
小新：“我们今天就来搞这个？”
大智：“对，这就开始”

HTTP实战：百度语音合成

首先做些准备工作，和昨天的语音识别的流程很像，大致如下：

1. http://ai.baidu.com/，首先你需要一个百度账号
2. 登陆进去以后，在https://console.bce.baidu.com/页面左侧点击百度语音。

3. 创建一个新应用，不需要设置语音包名，因为我们要使用HTTP接口，而不是用SDK。

4. 在应用详情中可以看到API Key和Secret Key，一会需要用到。

5. 阅读文档！阅读文档！阅读文档！
   语音合成：https://ai.baidu.com/docs#/TTS-API/top

语音识别

大智：“看完文档了没？”
小新：“看完了”
大智：“那我们就开始了。”

语音合成主要有两个过程：

1. 鉴权认证：从百度获取一个令牌(token)，请求的时候需要携带这个令牌，否则视为非法请求
2. 在Unity中请求语音合成接口

第一步鉴权认证我们昨天已经实现了，可以拿来直接用。我们直接进入第二步，在Unity中请求语音合成接口。

REST API

小新：“我在文档中看到了这个词REST API，API我懂，就是应用程序接口嘛，这个REST是什么？休息接口么？”
大智：“哎嘿，什么休息接口！这个是Web开发中的一个技术，你不懂正常，我来简单解释一下。”

REST ( REpresentational State Transfer )，State Transfer 为 “状态传输” 或 "状态转移 “，Representational 中文有人翻译为"表征”、“具象”，合起来就是 “表征状态传输” 或 “具象状态传输” 或 “表述性状态转移”，不过，一般文章或技术文件都比较不会使用翻译后的中文来撰写，而是直接引用 REST 或 RESTful 来代表，因为 REST 一整个观念，想要只用六个中文字来完整表达真有难度。

REST 本身是设计风格而不是标准。REST 谈论一件非常重要的事，如何正确地使用 Web****标准，例如，HTTP 和 URI。想要了解 REST 最好的方式就是思索与了解Web及其工作方式。如果你设计的应用程序能符合 REST 原则 (REST principles)，这些符合 REST 原则的 REST 服务可称为 “RESTful web service” 也称 “RESTful Web API”。"-ful" 字尾强调它们的设计完全符合 REST 论文里的建议内容。

如果你不需要做Web开发，了解到这就够了，否则建议你了解下REST的具体原则，RESTful的Web接口目前非常流程。

请求语音合成

百度语音合成支持两种方式请求：

• POST方式
• GET方式

百度文档中推荐使用POST方式，但是由于Unity的WebRequest类中，获取音频的现成接口是使用Get方法，所以我们下面的代码还是使用Get方法去获取。

using System;
using System.Collections;
using System.Collections.Generic;
using System.Text;
using UnityEngine;
using UnityEngine.Networking;

public class BaiduTts : MonoBehaviour
{
    public string APIKey;
    public string SecretKey;
    public string Text = "洪流学堂，让你快人几步";
    private string Token;

    public AudioSource AudioSource { get; private set; }

    // 用于解析返回的json
    [Serializable]
    class TokenResponse
    {
        public string access_token = null;
    }

    /// <summary>
    ///     语音合成结果
    /// </summary>
    [Serializable]
    public class TtsResponse
    {
        public int err_no;
        public string err_msg;
        public string sn;
        public int idx;

        public bool Success
        {
            get { return err_no == 0; }
        }

        public AudioClip clip;
    }

    IEnumerator Start()
    {
        // 拼接请求的URL
        var uri = $"https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id={APIKey}&client_secret={SecretKey}";
        var www = UnityWebRequest.Get(uri);
        yield return www.SendWebRequest();

        if (www.isHttpError || www.isNetworkError)
        {
            Debug.LogError("[BaiduAip]" + www.error);
            Debug.LogError("[BaiduAip]Token was fetched failed. Please check your APIKey and SecretKey");
        }
        else
        {
            Debug.Log("[BaiduAip]" + www.downloadHandler.text);
            var result = JsonUtility.FromJson<TokenResponse>(www.downloadHandler.text);
            Token = result.access_token;
            Debug.Log("[WitBaiduAip]Token has been fetched successfully");
        }


        AudioSource = gameObject.AddComponent<AudioSource>();
    }

    void Update()
    {
        if (Input.GetKeyUp(KeyCode.A))
        {
            Debug.Log("[WitBaiduAip demo]开始合成");
            StartCoroutine(Tts(Text, s =>
            {
                AudioSource.clip = s.clip;
                AudioSource.Play();
            }));
        }
    }

    public IEnumerator Tts(string text, Action<TtsResponse> callback)
    {
        var url = "http://tsn.baidu.com/text2audio";

        var param = new Dictionary<string, string>();
        param.Add("tex", text);
        param.Add("tok", Token);
        param.Add("cuid", SystemInfo.deviceUniqueIdentifier);
        param.Add("ctp", "1");
        param.Add("lan", "zh");
        param.Add("spd", "5");
        param.Add("pit", "5");
        param.Add("vol", "10");
        param.Add("per", "1");
#if UNITY_STANDALONE || UNITY_EDITOR || UNITY_UWP
        param.Add("aue", "6"); //设置为wav格式，移动端需要mp3格式
#endif

        int i = 0;
        foreach (var p in param)
        {
            url += i != 0 ? "&" : "?";
            url += p.Key + "=" + p.Value;
            i++;
        }

        // 根据不同平台，获取不同类型的音频格式
#if UNITY_STANDALONE || UNITY_EDITOR || UNITY_UWP
        var www = UnityWebRequestMultimedia.GetAudioClip(url, AudioType.WAV);
#else
        var www = UnityWebRequestMultimedia.GetAudioClip(url, AudioType.MPEG);
#endif
        Debug.Log("[WitBaiduAip]" + www.url);
        yield return www.SendWebRequest();

        if (www.isHttpError || www.isNetworkError)
            Debug.LogError(www.error);
        else
        {
            var type = www.GetResponseHeader("Content-Type");
            Debug.Log("[WitBaiduAip]response type: " + type);

            if (type.Contains("audio"))
            {
                var response = new TtsResponse { clip = DownloadHandlerAudioClip.GetContent(www) };
                callback(response);
            }
            else
            {
                var textBytes = www.downloadHandler.data;
                var errorText = Encoding.UTF8.GetString(textBytes);
                Debug.LogError("[WitBaiduAip]" + errorText);
                callback(JsonUtility.FromJson<TtsResponse>(errorText));
            }
        }
    }
}

上面的代码写好以后，设置好APIKey和SecretKey就可以合成语音出来了。

总结

大智：“我们这两天通过实战学习了UnityWebRequest的具体用法，在请求Http时，结合接口说明，一般实现起来还是很容易的。

思考题

大智：“上面的语音合成中很有多参数可以设置，试试不同的参数看看有什么效果吧！”
小新：“好嘞！”
大智：“收获别忘了分享出来！也别忘了分享给你学Unity的朋友，也许能够帮到他。”

洪流学堂公众号回复语音识别获取源码工程。

《大话Unity2019》，大智带小新学Unity2019的有趣经历，让你学Unity更简单。