MsEdgeTTS: 简单而强大的微软 Edge 语音合成模块

MsEdgeTTS

MsEdgeTTS: 简单而强大的微软 Edge 语音合成模块

在当今数字化时代,语音技术正在迅速发展并广泛应用于各个领域。作为开发者,我们经常需要在应用中集成文本转语音(TTS)功能,以提升用户体验。然而,许多现有的TTS解决方案要么功能有限,要么使用复杂。幸运的是,MsEdgeTTS的出现为开发者提供了一个简单而强大的选择。

MsEdgeTTS 简介

MsEdgeTTS 是一个基于微软 Edge 浏览器的文本转语音 API 的简单 Azure 语音服务模块。它利用了微软 Edge 的"朗读"功能,为开发者提供了一种便捷的方式来实现高质量的语音合成。这个开源项目由 GitHub 用户 Migushthe2nd 创建和维护,目前在 GitHub 上已获得了 265 颗星和 40 次分叉,显示出其受欢迎程度和实用性。

MsEdgeTTS npm version

MsEdgeTTS 的主要特性

简单易用: MsEdgeTTS 提供了简洁的 API,使得集成和使用变得非常容易。
支持 SSML: 该模块完全支持语音合成标记语言(SSML),允许开发者对生成的语音进行精细控制。
多种音频格式: MsEdgeTTS 支持多种音频输出格式,满足不同应用场景的需求。
流式输出: 支持将生成的音频作为流输出,适用于实时应用。
文件输出: 可以直接将生成的音频保存为文件,方便后续使用。
语音参数调整: 允许调整语音的速率、音调和音量,实现个性化的语音效果。
支持自定义 HTTP Agent: 可以使用自定义的 HTTP Agent,如代理,增强了在不同网络环境下的适应性。

深入了解 MsEdgeTTS

SSML 支持

MsEdgeTTS 对 SSML 的支持主要集中在 speak、voice 和 prosody 元素类型。以下是默认的 SSML 对象结构:

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts"
       xml:lang="${this._voiceLang}">
    <voice name="${voiceName}">
        <prosody rate="${rate}" pitch="${pitch}" volume="${volume}">
            ${input}
        </prosody>
    </voice>
</speak>

这种结构允许开发者精确控制语音的各个方面,包括语言、声音、速率、音调和音量。

音频格式支持

MsEdgeTTS 支持多种音频输出格式,包括但不限于:

WEBM_24KHZ_16BIT_MONO_OPUS
AUDIO_24KHZ_48KBITRATE_MONO_MP3
AUDIO_24KHZ_96KBITRATE_MONO_MP3

完整的支持格式列表可以在项目的 OUTPUT_FORMAT.ts 文件中找到。

使用 MsEdgeTTS

让我们通过几个实际的例子来看看如何使用 MsEdgeTTS。

1. 流式输出

import {MsEdgeTTS, OUTPUT_FORMAT} from "msedge-tts";

const tts = new MsEdgeTTS();
await tts.setMetadata("en-IE-ConnorNeural", OUTPUT_FORMAT.WEBM_24KHZ_16BIT_MONO_OPUS);
const readable = tts.toStream("Hi, how are you?");

readable.on("data", (data) => {
    console.log("DATA RECEIVED", data);
    // 处理原始音频文件数据
});

readable.on("close", () => {
    console.log("STREAM CLOSED");
});

这个例子展示了如何创建一个 MsEdgeTTS 实例,设置元数据(包括语音和输出格式),然后将文本转换为音频流。这种方法特别适合需要实时处理音频的应用场景。

2. 文件输出

import {MsEdgeTTS, OUTPUT_FORMAT} from "msedge-tts";

(async () => {
    const tts = new MsEdgeTTS();
    await tts.setMetadata("en-US-AriaNeural", OUTPUT_FORMAT.WEBM_24KHZ_16BIT_MONO_OPUS);
    const filePath = await tts.toFile("./example_audio.webm", "Hi, how are you?");  
})();

这个例子展示了如何将生成的音频直接保存为文件。这对于需要预先生成音频文件的应用非常有用。

3. 调整语音参数

import {MsEdgeTTS, OUTPUT_FORMAT} from "msedge-tts";

(async () => {
    const tts = new MsEdgeTTS();
    await tts.setMetadata("en-US-AriaNeural", OUTPUT_FORMAT.WEBM_24KHZ_16BIT_MONO_OPUS);
    const filePath = await tts.toFile("./example_audio.webm", "Hi, how are you?", {rate: 0.5, pitch: "+200Hz"});
})();

在这个例子中,我们展示了如何调整语音的速率和音调。这允许开发者创建更加个性化和富有表现力的语音输出。

4. 使用自定义 HTTP Agent

import {SocksProxyAgent} from 'socks-proxy-agent';

(async () => {
    const agent = new SocksProxyAgent("socks://your-name%40gmail.com:abcdef12345124@br41.nordvpn.com")
    const tts = new MsEdgeTTS(agent);
    await tts.setMetadata("en-US-AriaNeural", OUTPUT_FORMAT.WEBM_24KHZ_16BIT_MONO_OPUS);
    const filePath = await tts.toFile("./example_audio.webm", "Hi, how are you?");
})();

这个例子展示了如何使用自定义的 HTTP Agent,在这里是一个 SOCKS 代理。这对于需要通过特定网络或代理访问 API 的场景非常有用。