讯飞文字转语音

前言

讯飞语音是国内的智能语音前沿，有语音合成及语音识别还有一些其他高级的语音服务。前面已经写过一篇unity中使用在线语音的方式，不过由于是国外的网站不稳定，速度相对也慢，目前貌似已经不能用了。所以看好讯飞在线免费使用的优点，同时也看靠c++的而不是直接通过http请求的方式，在这里简要分享下在unity3d开发环境下，基于windows平台的在线语音生成。值得说明的讯飞的语音选择面广，还支持部分方言！但是对于创业型公司来说，离线版本的收费还是比较昂贵的，也是为什么本文只会涉及在线语音生成。

准备SDK

在讯飞语音官方网站（http://www.xfyun.cn/），可以下载到最新的SDK，不过要先注册，而注册后创建应用后生成的apiKey就是使用这些SDK的钥匙。解压后，应该能看到doc文件夹，如果你精通c语言，同时也熟练使用C#调用C的库，那么这篇文字对你意义不大，你需要的只是马上查看doc中的api去写在c#中实现c的接口了。当然因为本人对调用c的dll不是很熟练，所以才想把一些遇到的小问题记录下来，防止和我一样不熟悉的人会卡壳。在simple文件夹中有一些官方的demo，都是c写的，直接调用在bin中的msc.dll中的方法。在往下阅读之前，你或许可以先去学习下官方的例子。

提取接口

查看doc中的iFlytek MSC Reference Manual.html网页，能直接看到msc.dll中所有的api。如果你只关心语音生成，那么我们直接跳到qtts.h部分,这里面一共就只有5个接口，也就是说我们的工作量并不大，只需要搞清楚这几个接口就好了。

将这些接口转换到C#中，应该看起来是这样的：

        [DllImport(mscdll, CharSet = CharSet.Ansi, CallingConvention = CallingConvention.Cdecl)]public static extern IntPtr QTTSSessionBegin(string _params, ref int errorCode);[DllImport(mscdll, CharSet = CharSet.Unicode, CallingConvention = CallingConvention.StdCall)]public static extern int QTTSTextPut(string sessionID, string textString, uint textLen, string _params);[DllImport(mscdll, CharSet = CharSet.Unicode, CallingConvention = CallingConvention.StdCall)]public static extern IntPtr QTTSAudioGet(string sessionID, ref int audioLen, ref SynthStatus synthStatus, ref int errorCode);[DllImport(mscdll, CharSet = CharSet.Unicode, CallingConvention = CallingConvention.StdCall)]public static extern int QTTSSessionEnd(string sessionID, string hints);[DllImport(mscdll, CharSet = CharSet.Unicode, CallingConvention = CallingConvention.StdCall)]public static extern int QTTSGetParam(string sessionID, string paramName, string paramValue, ref uint valueLen);

值得注意的是，因为涉及到中文章

QTTSTextPut

接口中CharSet必须要设置为

CharSet.Unicode

这是因为，如果在C#中调用dll,如果不指定的话，默认应该就传入Ascii码了，这样就会出现接收端为乱码的问题。

调用接口

在使用这几个接口的时候，可以参考官方demo中的tts.c文件，而这里实现的逻辑也和其中相差无几，唯一的区别就是，用的是C#无言也调用那几个接口。要说明的是本人很久没有用c++和c了，所以下面这段代码也不算原创，只是其中部分功能稍微调整了一下。

 public void Speak(string speekText, string szParams, string outWaveFlie){byte[] bytes = null;int ret = 0;try{sessionID = Marshal.PtrToStringAuto(MSPAPI.QTTSSessionBegin(szParams, ref ret));if (ret != 0){if (ttsSpeakErrorEvent != null) ttsSpeakErrorEvent.Invoke("初始化TTS引会话错误，错误代码：" + ret);return;}ret = MSPAPI.QTTSTextPut(sessionID, speekText, (uint)Encoding.Unicode.GetByteCount(speekText), string.Empty);if (ret != 0){if (ttsSpeakErrorEvent != null) ttsSpeakErrorEvent.Invoke("向服务器发送数据，错误代码：" + ret);return;}IntPtr audio_data;int audio_len = 0;SynthStatus synth_status = SynthStatus.MSP_TTS_FLAG_STILL_HAVE_DATA;using (MemoryStream ms = new MemoryStream()){ms.Write(new byte[44], 0, 44);//写44字节的空文件头while (synth_status == SynthStatus.MSP_TTS_FLAG_STILL_HAVE_DATA){audio_data = MSPAPI.QTTSAudioGet(sessionID, ref audio_len, ref synth_status, ref ret);if (audio_data != IntPtr.Zero){byte[] data = new byte[audio_len];Marshal.Copy(audio_data, data, 0, audio_len);ms.Write(data, 0, data.Length);if (synth_status == SynthStatus.MSP_TTS_FLAG_DATA_END || ret != 0){if (ret != 0){if (ttsSpeakErrorEvent != null) ttsSpeakErrorEvent.Invoke("下载TTS文件错误，错误代码：" + ret);return;}break;}}Thread.Sleep(150);}System.Diagnostics.Debug.WriteLine("wav header");WAVE_Header header = getWave_Header((int)ms.Length - 44);     //创建wav文件头byte[] headerByte = StructToBytes(header);                         //把文件头结构转化为字节数组                      //写入文件头ms.Position = 0;                                                        //定位到文件头ms.Write(headerByte, 0, headerByte.Length);                             //写入文件头bytes = ms.ToArray();ms.Close();}if (outWaveFlie != null){if (File.Exists(outWaveFlie)){File.Delete(outWaveFlie);}File.WriteAllBytes(outWaveFlie, bytes);}}catch (Exception ex){if (ttsSpeakErrorEvent != null) ttsSpeakErrorEvent.Invoke("Error：" + ex.Message);return;}finally{ret = MSPAPI.QTTSSessionEnd(sessionID, "");if (ret != 0){if (ttsSpeakErrorEvent != null) ttsSpeakErrorEvent.Invoke("结束TTS会话错误，错误代码：" + ret);}else{if (tts_SpeakFinishedEvent != null) tts_SpeakFinishedEvent.Invoke(speekText, bytes);}}}

其中要注意的一点是，因为c的dll中返回char*，在c#中，接收到的只能是指针，所以用了一个指针转换为字符串的方法：

Marshal.PtrToStringAuto

在对于字符串的长度问题，也没有直接使用string.Length,而是使用

(uint)Encoding.Unicode.GetByteCount(speekText)

封装为Unity模块

在上面已经实现了文字转语音功能的基础上，可以将这些功能封装为unity主线程中可以直接调用的一个模块，便于程序的使用。和前面一篇文章实现的接口是一样的，只是添加了一个批量下载的功能。当然你也可以自己去封装，毕竟这里的功能未必适合你的项目。下面是封装后预留的接口：

  public interface ITextToAudio{event UnityAction<string> onError;IEnumerator GetAudioClip(string text, UnityAction<AudioClip> OnGet, Params param = null);IEnumerator Downland(string[] text,UnityAction<float> onProgressChanged ,Params param = null);void CleanUpCatchs();}

其中，下载的时候都是使用协程，可以利用WWW直接将得到的AudioClip返回回来（值得注意的是，如果你的音频足够了解应该可以直接从byte中创建audioClip，就没有必要使用www了，但目前也就暂时这样使用着）。而Params就是对官方参数的解析类，可以自行定义。基于官方的字符串结构，这样生成比较理想（直接重写ToString）：

  public override string ToString(){var fields = typeof(Params).GetFields(System.Reflection.BindingFlags.Public | System.Reflection.BindingFlags.GetField | System.Reflection.BindingFlags.Instance);var param = new string[fields.Length];for (int i = 0; i < fields.Length; i++){param[i] = fields[i].Name + "=" + fields[i].GetValue(this);}return string.Join(",",param);}

源码及引用

因为这部分资料在网上还是比较少的，而且多数开发都是移动端和对语音识别相对较高，对于还在windows端开发的我，也只能默默羡慕他们了，所以和我一样在window端的你，少遇到点坑算是我的小小贡献了。

下面是github的地址：Text2Audio_Unity

对于本文来说，这里面部分代码并不是来自于自己的脑子，下面的我引用的开源地址：

c#(非unity环境)iflytek-csharp-demo

unitySDK(多平台)IFlySDKForUnity