如何在Google Text to Speech API（gTTS）中调整发音音调

gTTS本身没有提供直接调整音调的原生参数，它底层调用的是谷歌翻译的公开TTS接口，官方未开放音调自定义能力，仅支持通过slow参数切换正常/慢速两种语速。

以下是两种可落地的实现方案： #

方案1：配合音频处理库后期调整（推荐，兼容现有gTTS流程） #

可以用pydub库对gTTS生成的音频文件做后期音调处理，操作成本最低，适合小批量需求。

前置依赖安装 #

• 安装Python库：pip install gTTS pydub
• 安装ffmpeg（pydub的底层依赖，对应系统的软件源/官网直接安装即可）

示例代码 #

from gtts import gTTS
from pydub import AudioSegment
from pydub.playback import play

# 1. 用gTTS生成原始语音
tts = gTTS("ご返信ありがとうございます。", lang = 'ja')
tts.save("original.mp3")

# 2. 加载音频文件
sound = AudioSegment.from_mp3("original.mp3")

# 3. 调整音调：pitch_shift为半音数，正数升调、负数降调，±3以内效果最自然
pitch_shift = 2  # 升高2个半音
octave = pitch_shift / 12
new_sample_rate = int(sound.frame_rate * (2 ** octave))
adjusted_sound = sound._spawn(sound.raw_data, overrides={"frame_rate": new_sample_rate})
# 重置为常规采样率，避免播放/导出异常
adjusted_sound = adjusted_sound.set_frame_rate(44100)

# 4. 导出调整后的音频或直接播放
adjusted_sound.export("pitch_adjusted.mp3", format="mp3")
play(adjusted_sound)

方案2：切换为谷歌云正式Text-to-Speech API #

如果需要更精准的音调控制（比如按片段调整、大跨度音调调整无失真），可以换用谷歌官方的Cloud Text-to-Speech服务，它原生支持pitch参数，可调范围为-20到20半音，同时支持语速、音量、发音人等多维度自定义，发音质量也比gTTS调用的翻译接口更高。
该服务有免费使用额度，超出部分按量计费，需要先开通谷歌云账号并创建对应服务密钥。

核心参数设置示例 #

from google.cloud import texttospeech

client = texttospeech.TextToSpeechClient()
synthesis_input = texttospeech.SynthesisInput(text="ご返信ありがとうございます。")
voice = texttospeech.VoiceSelectionParams(
    language_code="ja-JP",
    name="ja-JP-Neural2-B"
)
# 直接通过pitch参数调整音调
audio_config = texttospeech.AudioConfig(
    audio_encoding=texttospeech.AudioEncoding.MP3,
    pitch=2.0 # 升高2个半音，填负数即为降调
)

response = client.synthesize_speech(
    input=synthesis_input, voice=voice, audio_config=audio_config
)
with open("output.mp3", "wb") as out:
    out.write(response.audio_content)

注意事项 #

• 用pydub后期调整音调时，建议调整幅度控制在±3个半音以内，幅度过大容易出现发音失真、变速的问题
• 如果需要同时调整语速，可直接在gTTS初始化时添加slow=True参数切换为慢速，也可以用pydub的速率调整功能做更精细的控制

内容的提问来源于stack exchange，提问作者Masaki93