IBM Watson Text to Speech API Python 如何调低语音音调参数
调整IBM Watson Text to Speech语音音调的实现方法
核心实现逻辑
synthesize接口没有在顶层参数暴露独立的音调、语速调节入口,平台演示页提供的音调、语速调整能力,本质是通过SSML语音合成标记语言嵌套在待合成文本结构中实现的。不需要调整现有代码的鉴权、服务地址配置,仅需修改传入synthesize方法的文本内容,补充对应调节标签即可实现音调调低效果。
调节参数说明
- 音调调低效果通过SSML的
<prosody>标签的pitch属性实现,可直接传入两类参数值:- 相对偏移值:例如
pitch="-10Hz"表示比原语音默认基频低10赫兹,pitch="-20%"表示整体音调降低20%,偏移值越大,调低幅度越强 - 固定档位值:直接传入
pitch="x-low"即可对应低档位的低沉音效果
- 相对偏移值:例如
- 若需要同步调整语速,可在同一个
<prosody>标签内补充rate属性,例如rate="-10%"表示比原语速降低10%,和音调调节互不冲突
适配后可直接运行的代码
from ibm_watson import TextToSpeechV1 from ibm_cloud_sdk_core.authenticators import IAMAuthenticator authenticator = IAMAuthenticator('api_key') text_to_speech = TextToSpeechV1( authenticator=authenticator ) text_to_speech.set_service_url('service_url') # 原纯文本替换为嵌套了音调调节的SSML结构,此处设置为音调降低20% ssml_sample = '<speak><prosody pitch="-20%">insert what you want to say here</prosody></speak>' with open('test.wav', 'wb') as audio_file: audio_file.write( text_to_speech.synthesize( ssml_sample, voice='en-GB_JamesV3Voice', accept='audio/wav', # 必须声明传入的内容为SSML格式,否则平台会将标签作为普通文本朗读 text_type='application/synthesis+ssml' ).get_result().content)
调试注意事项
- 音调下调幅度建议从-10%、-10Hz开始逐步加大,单条内容下调幅度超过-40%/-30Hz时,容易出现语音失真、机械感增强的问题
- 传入SSML文本时必须在
synthesize方法中添加text_type='application/synthesis+ssml'参数,否则标签会被当做普通文本读出,无法实现调节效果 - 该
<prosody>标签对所有V3版本的合成语音通用,不存在特定语音不兼容的问题
内容的提问来源于stack exchange,提问作者Sunny
相关产品推荐
相关产品推荐

