使用微软开源程序edge-tts搭建自己的文本转语音服务器方法

github上有很多优秀的文本转语音开源程序，比如tts等，但是那些使用起来还是有些麻烦的，比如一种语言只有一个声音，虽然可以自己训练，但是操作起来也是有些麻烦的，比如我现在的需求是不需要自己定制声音，而且还能有多重声音可选，那这样的话微软edge-tts无疑是最佳选择，默认的中文就包含了14种声音，其中有普通话有粤语等。而且edge-tts安装起来也非常简单，非常适合我们新手操作。

github链接：https://github.com/rany2/edge-tts

一、安装

环境要求python>=3.7

Linux服务器先安装Python环境，这里以Python3.11.8为例，先运行安装更新命令，没有sudo先安装sudo,如果有sudo这步可以跳过。

apt-get update

apt-get install sudo

已安装有sudo，先更新，再安装相关依赖，命令如下，

sudo apt update

sudo apt install -y build-essential zlib1g-dev libncurses5-dev libgdbm-dev libnss3-dev libssl-dev libsqlite3-dev libreadline-dev libffi-dev curl libbz2-dev

然后下载Python3.11.8，命令如下

wget https://www.python.org/ftp/python/3.11.8/Python-3.11.8.tar.xz

解压压缩包

tar -xf Python-3.11.8.tar.xz

进入Python目录，编译并安装

cd Python-3.11.8

./configure –enable-optimizations

make -j `nproc`

sudo make install

安装TTS

安装命令

pip install edge-tts

输出successfully就表示安装完成了，可以输入edge-tts试试看看有没有输出相关信息。

二、使用

edge-tts –text “Hello, world!” –write-media hello.mp3 –write-subtitles hello.vtt

使用上面命令即可将文本“Hello, world”转换成语音并保存为hello.mp3文件，并生成字幕文件hello.vtt，使用的声音是默认声音，

想更换其它声音的话，可以输入

edge-tts -l

查看支持的所有声音，其中中文声音为zh开头的，

Name: zh-CN-XiaoxiaoNeural

Gender: Female

Name: zh-CN-XiaoyiNeural

Gender: Female

Name: zh-CN-YunjianNeural

Gender: Male

Name: zh-CN-YunxiNeural

Gender: Male

Name: zh-CN-YunxiaNeural

Gender: Male

Name: zh-CN-YunyangNeural

Gender: Male

Name: zh-CN-liaoning-XiaobeiNeural

Gender: Female

Name: zh-CN-shaanxi-XiaoniNeural

Gender: Female

Name: zh-HK-HiuGaaiNeural

Gender: Female

Name: zh-HK-HiuMaanNeural

Gender: Female

Name: zh-HK-WanLungNeural

Gender: Male

Name: zh-TW-HsiaoChenNeural

Gender: Female

Name: zh-TW-HsiaoYuNeural

Gender: Female

Name: zh-TW-YunJheNeural

Gender: Male

比如我们使用zh-CN-XiaoxiaoNeural这个女性角色声音生成中文语音，语速，音量都为默认，音调为50Hz，可以使用如下命令：

edge-tts –voice zh-CN-XiaoxiaoNeural –rate=-0% –volume=-0% –pitch=-50Hz –text “大家好，这里是微软文本转语音测试” –write-media 123.mp3

生成语音的同时还会生成字幕，对于做视频的人来说真的是太方便了。

三、API调用

使用Python的fastapi库做一个post接口，如下tts.py文件：

import uvicorn import edge_tts import asyncio from fastapi import FastAPI, Request, Body app = FastAPI() @app.post(“/api/tts”) async def post_data(text: str = Body(”, title = ‘文本内容’, embed = True), voice: str = Body(”, title = ‘选择声音’, embed = True), name: str = Body(”, title = ‘文件名’, embed = True), rate: str = Body(”, title = ‘语速’, embed = True), pitch: str = Body(”, title = ‘音调’, embed = True), volume: str = Body(”, title = ‘音量’, embed = True)): output = “/home/work/tts/result/” + name + “.mp3” tts = edge_tts.Communicate(text = text, voice = voice, rate = rate, pitch = pitch , volume=volume) await tts.save(output) return {“message”: output} if __name__ == ‘__main__’: uvicorn.run(‘tts:app’, host = ‘0.0.0.0’, post = 80)

注意，你需要先查看一下你服务器上是否安装了uvicorn ，asyncio， fastapi等库，以及单独的ffmpeg功能

sudo apt-get install ffmpeg

output = “/home/work/tts/result/” + name + “.mp3″这句是生成最后的音频文件，注意你服务器上有没有/home/work/tts/result/这些文件夹，或是有没有权限创建，否则会报错。

创建启动文件 tts.sh：

使用nohup后台启动运行服务

–host 0.0.0.0表示允许任何用户可以访问这个api服务，

–port80是访问端口（可以修改，但是注意你服务器是否开放该端口）

nohup uvicorn tts:app –host 0.0.0.0 –port 8080>../tts/tts.log &

修改tts.sh文件为可执行文件：

chmod 777 tts.sh

启动服务

./tts.sh

API测试

OK了，成功搭建了一个自己的微软文本转语音服务器

（文章是我原本发布在知乎上的，知乎文章删除了，这里做个备份）