在Python中使用科大讯飞Web API进行语音合成

前几日讯飞开放平台推出了WebAPI接口，恰好最近需要实现一个文字转语音的功能，于是就尝试着用了起来。但不知什么原因，官方文档的调用示例一直报错，最后自己照着示例的思路用python3重写了一遍。所以这次总结一下在Python中使用讯飞Web API进行语音合成的过程。

注册讯飞开放平台

首先注册讯飞开放平台：http://passport.xfyun.cn/regi...

注册完成后进入控制台，在控制台创建一个新应用 ，填写一些基本信息，注意 应用平台 选择 WebAPI 。

创建完成后，记录下 APPID 和 APIKey ，将在程序中用到。

另外，请在 IP白名单 中添加自己的外网IP，可以在http://www.ip138.com/ 查看。（一般来说外网IP会常常发生变化，请注意）

在Python3中使用讯飞Web API

先上代码，后面进行必要的说明：

可能提示缺库：pip3 install requests

* 使用python3执行

import base64
import json
import time
import hashlib
import requests

# API请求地址、API KEY、APP ID等参数，提前填好备用
api_url = "http://api.xfyun.cn/v1/service/v1/tts"
API_KEY = "替换成你的APIKEY"
APP_ID = "替换成你的APPID"
OUTPUT_FILE = "C://output.mp3"    # 输出音频的保存路径，请根据自己的情况替换
TEXT = "苟利国家生死以，岂因祸福避趋之"

# 构造输出音频配置参数
Param = {
    "auf": "audio/L16;rate=16000",    #音频采样率
    "aue": "lame",    #音频编码，raw(生成wav)或lame(生成mp3)
    "voice_name": "xiaoyan",
    "speed": "50",    #语速[0,100]
    "volume": "77",    #音量[0,100]
    "pitch": "50",    #音高[0,100]
    "engine_type": "aisound"    #引擎类型。aisound（普通效果），intp65（中文），intp65_en（英文）
}
# 配置参数编码为base64字符串，过程：字典→明文字符串→utf8编码→base64(bytes)→base64字符串
Param_str = json.dumps(Param)    #得到明文字符串
Param_utf8 = Param_str.encode('utf8')    #得到utf8编码(bytes类型)
Param_b64 = base64.b64encode(Param_utf8)    #得到base64编码(bytes类型)
Param_b64str = Param_b64.decode('utf8')    #得到base64字符串

# 构造HTTP请求的头部
time_now = str(int(time.time()))
checksum = (API_KEY + time_now + Param_b64str).encode('utf8')
checksum_md5 = hashlib.md5(checksum).hexdigest()
header = {
    "X-Appid": APP_ID,
    "X-CurTime": time_now,
    "X-Param": Param_b64str,
    "X-CheckSum": checksum_md5
}

# 发送HTTP POST请求
def getBody(text):
    data = {'text':text}
    return data
response = requests.post(api_url, data=getBody(TEXT), headers=header)

# 读取结果
response_head = response.headers['Content-Type']
if(response_head == "audio/mpeg"):
    out_file = open(OUTPUT_FILE, 'wb')
    data = response.content # a 'bytes' object
    out_file.write(data)
    out_file.close()
    print('输出文件: ' + OUTPUT_FILE)
else:
    print(response.read().decode('utf8'))

下面按照代码顺序进行各部分的说明。

APIKey等参数

在代码开头填好各项参数，方面代码中使用。

API_KEY和APP_ID请替换为上一步创建应用后得到的内容。请不要删除双引号。

OUTPUT_FILE是最终输出音频的保存路径，根据自己的情况替换。

TEXT是将要输出为语音的文本。

音频配置参数

Param 是字典格式的音频配置参数，其中 "aue" 可选 raw (生成wav)或 lame (生成mp3)，如果修改成raw请记得同时修改输出文件的扩展名。

最后需要将配置参数编码为Base64字符串：字典类型→明文字符串→utf8编码→Base64(bytes)→Base64字符串，具体实现可以参考代码。

音频配置参数的详细说明可以参考请求参数 | 语音合成 。

HTTP请求头部

根据 授权认证 | 科大讯飞RESET_API开发指南 ，在调用所有业务接口时，都需要在HTTP请求头部中配置以下参数用于授权认证：

参数	格式	说明
X-Appid	string	讯飞开放平台注册申请应用的应用ID(appid)
X-CurTime	string	当前UTC时间戳，从1970年1月1日0点0 分0 秒开始到现在的秒数
X-Param	string	音频配置参数JSON串经Base64编码后的字符串
X-CheckSum	string	令牌，计算方法：MD5(apiKey + curTime + param)。三个值拼接的字符串，进行MD5哈希计算（32位小写）。

具体实现参考代码中字典 header 。

发送请求&读取结果

最后使用requests库发送HTTP POST请求，得到结果。根据响应的 header 可以判断是否合成成功。

若响应头部包含Content-type: audio/mpeg，则响应Body为音频数据，可写入文件保存。

若合成出现错误，响应头部包含Content-type: text/plain，响应Body为记载了错误类型的json字符串。

返回值的具体说明请参考 返回值 | 语音合成 。

运行结果

使用几次后，感觉合成语音的断句做得不是很优秀，但响应速度很快，还是比较满意的。

output.mp3

小结

最近使用了几种Web API，对这类API的使用方法也算是有些经验了。最后，现在语音识别、图灵机器人、语音合成都试着做了一遍，下一篇博客将把他们组合起来，实现一个简单的语音助手。

感谢你阅读文章！