參考資料 ----
文字轉換語音
免費試用語音服務
開始使用文字轉換語音
適用於語音服務的 Azure 訂用帳戶金鑰
Github 範例
cognitive-services-speech-sdk
大家應該都聽過 Google 小姐說話，老人家好奇微軟是否也有類似的服務 -- 果然也有 MS 小姐，而且不只小姐，還有先生喔！而且，還不只一位喔。😄
用 手機 或 電腦 的瀏覽器，到上面 "參考資料" 的網址，往下捲動，會看到楆題 "透過這個示範應用程式 (採用 JavaScript SDK 建置) 試用文字轉換語音功能"，下方的 "文字" 欄可以清除裡面預設的文字，輸入您想要 MS 小姐朗讀的內容。
右方 "語言" 預設是 Chinese(Taiwanese Mandarin)，還可以切換到 Chinese(Mandarin, Simplified) 簡体中文 和 Chinese(Cantonese, Traditional) 廣東話；
"語音" 則有 HsiaoChen(Neutral) - 曉臻，HsiaoYu(Neutral) - 曉雨，YunJhe(Neutral) - 雲哲，HanHan - 涵涵，Yating - 雅婷，Zhiwei - 志威，有 (Neutral) 的表示是以 AI 合成的，標榜聲音更自然，也因此收費較高(2021.08.12 定價表)；不過不用担心，不論選擇哪一種語音，每個月有免費額度，超過才需要付費。
"說話風格"，Taiwanese 語言沒得選說話風格，只有 General，目前只支援简体中文有多種風格。
"速度" 應該不需解釋
"音調" 若調低就會像男生，但不像 Google 小姐會變鴨嗓
調整好您的喜好後，按 "播放" 鍵，會有一小段時間的寂靜，猜測應該是系統正在合成語音中，在播放中變更設定是沒有作用的，必須先按 "停止" 再變更。但之後寫成 APP，並不會有網頁的延遲現象。
中英文混著唸大致上也還可以，英文不會怪腔怪調的。
變更 "語言" 或 玩了一陣子後，如果覺得怪怪的，就按一下瀏覽器的 "重新整理"。
我去複製了維基的龜兔賽跑，發現 "睡覺" 简体中文會唸 ㄕㄨㄟˋ ㄐㄩㄝˊ，問了大陸的朋友後，確認這是简体中文的 bug！
後來又想，會不會是正體字的關係？於是，我將 "睡覺" 轉成 簡體字 "睡觉"，果然發音就正確了 ；我再讓繁體中文的語音去唸簡體字的"睡觉" ，不意外地，也是唸 ㄕㄨㄟˋ ㄐㄩㄝˊ -- 原來 AI 並沒有把繁簡差異納入考量，以此類推，雖都是英語系國家，同個字可能有不一樣的發音，所以在為該國家(地區) 挑選語音角色時，還是儘量以微軟為該國(地區) 設計的角色為優先選擇。
======================================================================
因為要收費，所以您必須具有微軟 Azure 雲端服務帳戶，沒有的話，就去申請一個 -- 參考 免費試用語音服務。
登入 Azure 首頁，按一下左上角的 "功能表"
點擊 "
建立資源"
在 搜尋欄 輸入 speech
輸入相應的資料，有點詭異的是...老人家是第一次使用，但輸入 "名稱" 時卻一直回應說已存在，換了好幾個名字才通過。
"資源群組" 因為是第一次建，所以要按一下 "新建"
出現 "您的部署已完成"，按一下 "前往資源"
點擊 "按一下這裡以管理金鑰"
按一下 "顯示金鑰"，金鑰會以明碼顯示
有兩組金鑰，只要選 1 組即可
兩組的用意是：
當您想變更金鑰 1 時，新的金鑰並不會立即生效(可能要過 24 小時後)，而您的 app、網站、... 提供的服務又不能中斷，這時就可以先改用金鑰 2
系統需求：
Android Studio 3.3 以上
Android 6.0(Marshmallow, API23) 以上
建立新專案
修改專案層級的 build.gradle
...
...
allprojects {
repositories {
google()
mavenCentral()
// 加這個
maven {
url 'https://csspeechstorage.blob.core.windows.net/maven/'
}
}
}
修改 app 層級的 build.gradle
...
...
android {
defaultConfig {
...
...
minSdkVersion 23 // 注意要 23 以上
...
...
}
compileOptions {
sourceCompatibility JavaVersion.VERSION_1_8
targetCompatibility JavaVersion.VERSION_1_8
}
...
...
}
dependencies {
...
...
// Speech SDK
implementation 'com.microsoft.cognitiveservices.speech:client-sdk:1.18.0'
}
AndroidManifest.xml
...
...
<uses-permission android:name="android.permission.INTERNET" />
<application
...
...
strings.xml
...
<string name="tw">有一位國王，他擁有一座美麗的花園，花園裡有一棵結著金蘋果的樹。國王派人每天清點樹上的蘋果有幾顆。</string>
...
activity_main.xml(這是簡化的 layout，重點只在表達放了這些元件)
...
<Button
android:id="@+id/btnSpeak"
android:layout_width="wrap_content"
android:layout_height="wrap_content"
android:onClick="onbtnSpeakClicked"
android:text="speak" />
<Button
android:id="@+id/btnStop"
android:layout_width="wrap_content"
android:layout_height="wrap_content"
android:onClick="onbtnStopClicked"
android:text="stop" />
<EditText
android:id="@+id/edtSpeech"
android:layout_width="match_parent"
android:layout_height="wrap_content"
android:text="@string/tw" />
<TextView
android:id="@+id/outputMessage"
android:layout_width="wrap_content"
android:layout_height="wrap_content"
android:text="outputMessage" />
...
MainActivity.kt
...
class MainActivity : AppCompatActivity()
{
private val TAG = "MainActivity"
private var speechConfig: SpeechConfig? = null
private var synthesizer: SpeechSynthesizer? = null
private lateinit var connection: Connection
private var audioTrack: AudioTrack? = null
lateinit var outputMessage: TextView
private var speakingRunnable: SpeakingRunnable? = null
private var singleThreadExecutor: ExecutorService? = null
private val synchronizedObj = Any()
private var stopped = false
override fun onCreate(savedInstanceState: Bundle?)
{
super.onCreate(savedInstanceState)
setContentView(R.layout.activity_main)
// 請求取得網路授權
val requestCode = 5 // Unique code for the permission request
ActivityCompat.requestPermissions(this,
arrayOf(Manifest.permission.INTERNET),
requestCode
)
singleThreadExecutor = Executors.newSingleThreadExecutor()
speakingRunnable = SpeakingRunnable()
outputMessage = findViewById(R.id.outputMessage)
outputMessage.setMovementMethod(ScrollingMovementMethod())
audioTrack = AudioTrack(AudioAttributes.Builder()
.setUsage(AudioAttributes.USAGE_MEDIA)
.setContentType(AudioAttributes.CONTENT_TYPE_SPEECH)
.build(),
AudioFormat.Builder()
.setEncoding(AudioFormat.ENCODING_PCM_16BIT)
.setSampleRate(24000) // 音調
.setChannelMask(AudioFormat.CHANNEL_OUT_MONO)
.build(),
AudioTrack.getMinBufferSize(24000,
AudioFormat.CHANNEL_OUT_MONO,
AudioFormat.ENCODING_PCM_16BIT
) * 2,
AudioTrack.MODE_STREAM,
AudioManager.AUDIO_SESSION_ID_GENERATE
)
// 設定說話速度, 正常速度是 1
val params = PlaybackParams()
params.speed = 0.7.toFloat()
audioTrack!!.playbackParams = params
// 設定音量, float: 0 ~ 1.0
// audioTrack.setVolume((float) 0.01);
}
override fun onResume()
{
super.onResume()
// 初始化
CreateSynthesizer()
// 連線 Azure 主機
ConnectAzure()
}
override fun onDestroy()
{
super.onDestroy()
if (synthesizer != null)
{
synthesizer.close()
connection.close()
}
if (speechConfig != null)
{
speechConfig.close()
}
if (audioTrack != null)
{
singleThreadExecutor!!.shutdownNow()
audioTrack!!.flush()
audioTrack!!.stop()
audioTrack!!.release()
}
}
// 初始化
fun CreateSynthesizer()
{
if (synthesizer != null)
{
speechConfig!!.close()
synthesizer!!.close()
connection.close()
}
Log.d(TAG, "初始化...")
speechConfig = SpeechConfig.fromSubscription(speechSubscriptionKey, serviceRegion)
// 使用較好的 24kHz 音質
speechConfig!!.setSpeechSynthesisOutputFormat(SpeechSynthesisOutputFormat.Raw24Khz16BitMonoPcm)
// 設定語音角色
// 語音列表: https://aka.ms/csspeech/voicenames
// AI, 合成的聲音更接近真人, 收費較高
// speechConfig.setSpeechSynthesisVoiceName("en-US-GuyNeural");
// speechConfig.setSpeechSynthesisVoiceName("en-US-JennyNeural");
// speechConfig.setSpeechSynthesisVoiceName("en-US-AriaNeural");
// speechConfig.setSpeechSynthesisVoiceName("zh-TW-HsiaoChenNeural"); // 曉臻
// 標準
// speechConfig.setSpeechSynthesisVoiceName("en-US-ZiraRUS"); // 美, Zira
// speechConfig.setSpeechSynthesisVoiceName("en-GB-HazelRUS"); // 英, Hazel
// speechConfig.setSpeechSynthesisVoiceName("ja-JP-HarukaRUS"); // 曰, 春香, Haruka
speechConfig!!.setSpeechSynthesisVoiceName("zh-TW-Yating") // 台灣, 雅婷, 也適用於大陸
// speechConfig.setSpeechSynthesisVoiceName("zh-HK-Danny"); // 廣東話, Danny
synthesizer = SpeechSynthesizer(speechConfig, null)
connection = Connection.fromSpeechSynthesizer(synthesizer)
val current = resources.configuration.locale
connection.connected.addEventListener { o: Any?, e: ConnectionEventArgs? -> updateOutputMessage("Connection established.\n") }
connection.disconnected.addEventListener { o: Any?, e: ConnectionEventArgs? -> updateOutputMessage("Disconnected.\n") }
synthesizer!!.SynthesisStarted.addEventListener { o: Any?, e: SpeechSynthesisEventArgs -> updateOutputMessage(String.format(current,"Synthesis started. Result Id: %s.\n", e.result.resultId))
e.close()
}
synthesizer!!.Synthesizing.addEventListener { o: Any?,
e: SpeechSynthesisEventArgs -> updateOutputMessage(String.format(current, "Synthesizing. received %d bytes.\n", e.result.audioLength))
e.close()
}
synthesizer!!.SynthesisCompleted.addEventListener { o: Any?, e: SpeechSynthesisEventArgs ->
updateOutputMessage("Synthesis finished.\n")
updateOutputMessage(""" First byte latency: ${e.result.properties.getProperty(PropertyId.SpeechServiceResponse_SynthesisFirstByteLatencyMs)} ms.""" )
updateOutputMessage(""" Finish latency: ${e.result.properties.getProperty(PropertyId.SpeechServiceResponse_SynthesisFinishLatencyMs)} ms.""" )
e.close()
}
synthesizer!!.SynthesisCanceled.addEventListener { o: Any?, e: SpeechSynthesisEventArgs ->
val cancellationDetails = SpeechSynthesisCancellationDetails.fromResult(e.result).toString()
updateOutputMessage(""" Error synthesizing. Result ID: ${e.result.resultId}. Error detail: ${System.lineSeparator()}$cancellationDetails${System.lineSeparator()}Did you update the subscription info? """.trimIndent(), true, true)
e.close()
}
synthesizer!!.WordBoundary.addEventListener { o: Any?, e: SpeechSynthesisWordBoundaryEventArgs ->
updateOutputMessage(String.format(current,
"Word boundary. Text offset %d, length %d; audio offset %d ms.\n",
e.textOffset,
e.wordLength,
e.audioOffset / 10000
)
)
}
}
// 連線 Azure 主機
fun ConnectAzure()
{
if (connection == null)
{
updateOutputMessage("Please initialize the speech synthesizer first\n", true, true)
return
}
connection.openConnection(true)
updateOutputMessage("Opening connection.\n")
}
// 開始播放
fun onbtnSpeakClicked(vv: View?)
{
clearOutputMessage()
if (synthesizer == null)
{
Log.d(TAG, "speech synthesizer not initialized")
return
}
val speakText = findViewById<EditText>(R.id.edtSpeech)
speakingRunnable!!.setContent(speakText.text.toString())
singleThreadExecutor!!.execute(speakingRunnable)
}
// 停止播放
fun onbtnStopClicked(vv: View?)
{
if (synthesizer == null)
{
Log.d(TAG, "speech synthesizer not initialized")
return
}
stopSynthesizing()
}
private fun stopSynthesizing()
{
if (synthesizer != null)
{
synthesizer!!.StopSpeakingAsync()
}
if (audioTrack != null)
{
synchronized(synchronizedObj) { stopped = true }
audioTrack!!.pause()
audioTrack!!.flush()
}
}
internal inner class SpeakingRunnable : Runnable
{
private var content: String? = null
fun setContent(content: String?)
{
this.content = content
}
override fun run()
{
try
{
audioTrack!!.play()
synchronized(synchronizedObj)
{
stopped = false
}
val result = synthesizer!!.StartSpeakingTextAsync(content).get()
val audioDataStream = AudioDataStream.fromResult(result)
// Set the chunk size to 50 ms. 24000 * 16 * 0.05 / 8 = 2400
val buffer = ByteArray(2400)
while (!stopped)
{
val len = audioDataStream.readData(buffer)
if (len == 0L)
{
break
}
audioTrack!!.write(buffer, 0, len.toInt())
}
audioDataStream.close()
}
catch (ex: Exception)
{
Log.e("Speech Synthesis Demo", "unexpected " + ex.message)
ex.printStackTrace()
assert(false)
}
}
}
private fun updateOutputMessage(text: String)
{
updateOutputMessage(text, false, true)
}
@Synchronized
private fun updateOutputMessage(text: String, error: Boolean, append: Boolean)
{
runOnUiThread
{
if (append)
{
outputMessage.append(text)
}
else
{
outputMessage.text = text
}
if (error)
{
val spannableText = outputMessage.text as Spannable
spannableText.setSpan(ForegroundColorSpan(Color.RED),
spannableText.length - text.length,
spannableText.length,
0
)
}
}
}
private fun clearOutputMessage()
{
updateOutputMessage("", false, false)
}
companion object
{
// 申請的金鑰
private const val speechSubscriptionKey = "blablablablablablablablabla"
// 申請的 Azure 主機所在區域
private const val serviceRegion = "eastasia"
}
}
* 微軟支援多種語音輸出格式，如 raw、ogg、mp3...，您可參考 SpeechSynthesisOutputFormat，以 音訊、網路連線 品質做為評估要點，選擇您喜好的格式；不過本例因採用 AudioTrack，所以只能播 Raw...Pcm，要播其他格式，應該需要調整播放方式。
在程式碼播放格式為 Raw24Khz16BitMonoPcm，若改為 Raw16Khz16BitMonoPcm 則音調變高且速度變快
* 如果您有玩過黑膠唱片，就知道將唱機轉速變慢，聲音就會變低沈；而 AudioTrack 在 API22(含) 之前就是類似黑膠的效果， 但 API23 將速度放慢，聲調並不會變低沈，可能這也是微軟要求 minSdkVersion 23 的理由吧。
* 似乎按 STOP 鈕後再按 SPEAK 鈕，就是從頭開始，沒辦法從停止處再接下去播放。
目前想到的解法是：
因為是唸一段文章，中間必定會有標點符號，那就將一整段文章做分割(split) ，存入 List<String> 內，再逐個元表取出朗讀；但也不能切太小段，因為似乎也有提出請求的數量的限制，目前踹出來的可行方式是以句點做為切割點，分段落切。
* 語音長度有限制，請參考 Text-to-Speech Quotas and limits per Speech resource ，若是長篇文章，要想辦法切成 10 分鐘內的片段。
然後，老人家又好奇了，微軟有 AI 語音，那 Google 有嗎？還真的有！而且 Amazon 也有，不過後兩者都沒有微軟的豐富，另外老人家覺得微軟的語音夠用了，就懶的再試了😁，有興趣的看倌就自行摸索吧。
相關筆記 ----
【Kotlin】TextToSpeech -- 請 Google 小姐朗讀
