使用Python实现文字转语音并生成wav文件

目前手边的一些工作，需要实现声音播放功能，而且仅支持wav声音格式。

现在，一些网站上支持文字转语音功能，但是生成的都是MP3文件，这样还需要额外的软件来转成wav文件，十分麻烦。

后来，研究Python，发现Python可以很容易的实现上面的功能。

步骤如下，

1。使用百度语音实现TTS（Text To Speech），生成mp3文件;

2。 使用pydub和ffmpeg实现mp3转wav格式。

下面，先上简单的示例代码，然后对代码作简单的分析。

#!/usr/bin/python -tt
# -*- coding: utf-8 -*-
from aip import AipSpeech
from pydub import AudioSegment

# Step 1, Using baidu AI to generate mp3 file from text
#input your APP_ID/API_KEY/SECRET_KEY
APP_ID = 'Your_APP_ID' 
API_KEY = 'Your_API_KEY' 
SECRET_KEY = 'Your_Secret_Key' 

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY) 
result = client.synthesis('你好百度, good morning', 'zh', 1, { 'vol': 5,'per':4 }) 

if not isinstance(result, dict): 
    with open('test.mp3', 'wb') as f: 
        f.write(result)

# Step 2, convert the mp3 file to wav file
sound = AudioSegment.from_mp3('test.mp3')
sound.export("test.wav", format="wav")

运行上面的python代码，就会生成test.mp3和test.wav，使用命令“aplay test.wav”，可以测试播放声音。

下面对代码做解析，

1。在运行之前，需要安装下面的库，

1.1 安装百度AI模块，安装命令“pip install baidu-aip”

1.2 安装pydub，pydub是python的一个音频处理库处理，能对wav格式的音频直接进行处理，安装命令“pip install pydub”

1.3 安装ffmpeg，可以实现对mp3格式的处理，安装命令“sudo apt-get install ffmpeg”

2。需要注册百度的应用开发者账户，

用户可以自行去下面的网站去注册语音合成-百度AI​ai.baidu.com，注册百度云之后，去控制台创建应用，过程比较简单。

大家可以对上述代码进行进一步的优化，以实现自己想要的功能。

下面是完整的Python代码，大家可以拿来使用，

#!/usr/bin/python -tt
# -*- coding: utf-8 -*-
"""
    module: baiduVoiceGenerate
    platform: Linux
    description: Generate Speech from Text, and convert the audio to wav file.
    Precondition:   Please install below module before run this progrom,
                    1. pip install baidu-aip
                    2. pip install pydub
                    3. sudo apt-get install ffmpeg

    creater: Guangwei Jiang
    create time: 2018-11-21

"""
from aip import AipSpeech
from pydub import AudioSegment
import time

#input your own APP_ID/API_KEY/SECRET_KEY
APP_ID = '14891501' 
API_KEY = 'EIm2iXtvDSplvR5cyHU8dAeM' 
SECRET_KEY = '4KkGGzTq2GVrBEYPLXXWEEIoyLL1F6Zt ' 

print("baiduVoiceGenerate: V1.0, by Guanagwei_Jiang, 20181121")
str = raw_input("请输入要转成语音的文字： ")
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY) 
result = client.synthesis(str, 'zh', 1, { 'vol': 5,'per':4 }) 

if not isinstance(result, dict): 
    with open('temp.mp3', 'wb') as f: 
        f.write(result)

sound = AudioSegment.from_mp3('temp.mp3')
sound.export(time.strftime("%Y%m%d_%H%M%S", time.localtime())+".wav", format="wav")