如何用Python在Text to Speech转换中强调特定词汇

以下是几个能实现你需求的开源库和实用解决方法：

开源库推荐 #

• eSpeak NG
  轻量级开源TTS引擎，原生支持SSML的<emphasis>标签来标记需要强调的内容。你只需把文本按SSML格式编写，引擎会自动通过调整音调、语速来突出指定词汇/短语：

  <speak>我正在开展一个<emphasis level="strong">Text to Speech</emphasis>转换项目</speak>
  

  它体积小、运行快，适合嵌入式设备或轻量应用场景。

• MaryTTS
  成熟的开源TTS系统，完全兼容SSML语法，同时允许你手动自定义语音参数（基频、语速、音量）来强化强调效果。除了SSML标签，你还可以通过API接口直接传递参数调整特定片段的语音特征，适合需要高度定制化的项目。

• Coqui TTS
  基于深度学习的现代TTS库，支持两种方式实现强调：一是用SSML的<prosody>标签调整韵律；二是自定义文本标记（比如用[emph]需要强调的内容[/emph]），再通过预处理脚本将标记转换为模型可识别的韵律提示。它支持多语言，还能训练自定义语音模型，适合AI语音合成相关的复杂项目。

其他解决方法 #

• 手动音频拼接与调整
  如果手头的TTS库不支持直接强调，可拆分文本为普通片段和强调片段，分别生成音频后，用FFmpeg等工具调整强调片段的音调（提高5-10Hz）、语速（减慢10-15%）或音量（增大10%），最后拼接成完整音频。示例FFmpeg调音调命令：

  ffmpeg -i normal_part.wav -filter:a "asetrate=44100*1.05" emphasized_part.wav
  

• 统一使用SSML标准
  绝大多数现代TTS工具（开源/商业）都支持SSML，你可以用标准的<emphasis>标签标记需要强调的内容，这样即使后续更换TTS引擎，也能快速适配，无需大幅修改代码。

内容的提问来源于stack exchange，提问作者geswanth kopparthi