1.【专栏精选】实战：百度语音合成
2.最小的声音声音语音合成软件代码解析-SAM

【专栏精选】实战：百度语音合成

       本文节选自大话Unity公众号技术专栏《大话Unity》，未经允许不可转载。合成合成

       大话Unity公众号回复语音识别获取源码工程。源码源码用

       大话Unity，声音声音让你快人几步。合成合成你好，源码源码用编译lua源码我是声音声音大智。

       大智：“昨天我们实战了语音识别，合成合成在人工智能的源码源码用语音领域，还有很大一块是声音声音语音合成，也就是合成合成Text to Speech，文字转语音。源码源码用” 小新：“是声音声音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，那些声音都是合成合成idea如何导源码用语音合成的技术合成音频文件，然后播放出来的源码源码用。” 小新：“我们今天就来搞这个？” 大智：“对，这就开始”

       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：

       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，java源码快速排序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，dubbo源码bug教学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" 字尾强调它们的彻底理解spring源码设计完全符合 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。

       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。

       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。”

       推荐阅读

       大话Unity公众号回复语音识别获取源码工程。

最小的语音合成软件代码解析-SAM

       SAM（Software Automatic Mouth）是一款体积小巧的语音合成软件，纯软件性质，商业用途，离线运行无需联网。它由c语言编写，编译后文件大小约为kB，支持在Windows、Linux、esp、esp上编译使用。原源代码非公开，但有网站提供反编译后的c源代码。此软件可以在线测试效果，用户输入文字即可体验语音合成功能。

       SAM软件的说明书提供了详细的使用指南。网站上同时介绍了软件的分析过程，以及esp上的移植代码。对于代码关键部分的分析，主要集中在SAM中的个音素上。音素按0-编号，每个音素都有特定属性，如ID、名称、正常长度、重音长度、共振峰频率和幅度等。音素名称由1-2个字符组成，存储在phonemeNameTable1和phonemeNameTable2中。phonemeLengthTable表示音素的默认长度，单位为帧，约ms。音素分为三类，并有特定的频率和幅度数据。

       SAM的关键函数依次执行，上一个函数的输出为下一个函数的输入。主要函数包括TextToPhonemes、PhonemeStr2PhonemeIdx、RenderAll、CreateFrames和ProcessFrames2Buffer。这些函数负责从文本到音素的转换、音素索引和长度的获取、所有音素的渲染、频率和幅度数据的生成以及帧处理等核心操作。语音合成的关键代码位于processframes.c文件中，通过公式计算生成波形，涉及元音、浊辅音的合成，以及清辅音的直接读取文件处理。如果音素的flags属性不为0，则将根据特定条件添加部分录音内容，决定是否合成浊辅音。