在【Day - 14】我們完成了基本的聊天對話功能，然而，所有的回應都是以文字的形式呈現，於是我想透過Azure AI Service的語音服務，將文字轉成語音，進一步提升對話的真實感。今天，我們來探索Speech Service語音服務吧！

Speech Service語音服務 - 文字轉語音

Speech Service語音服務是Azure平台的一部分，它提供了一系列與語音相關的服務。這些服務包含了語音識別、語音合成等實時及靈活的服務，這些服務可以應用於各類的服務和設備上。而我們將使用其中的文字轉語音服務，這項服務是由「深度神經網路」所驅動，並能提供相當逼真的語音輸出。加上語音合成標記語言（SSML）的幫助，我們甚至可以調整語音的各項細節，使輸出的語音更為真實。

另外可以到Speech Studio上測試微軟所提供的「語音資源庫」，上面有各種語音和說話風格試聽，還有各種使用案例可以參考。

目前Azure的Speech Service語音服務定價有兩個：

• 免費（F0）
• 標準（S0）

關於標準的定價可以參考官網。

建立語音服務

要使用文字轉語音前需要建立語音服務。我們可以使用Azure CLI指令來迅速建立一個Speech Service語音服務。由於「免費的定價層（F0）」提供神經文字轉換語音每個月50萬字元的額度，已經很足夠我使用，因此直接選擇免費即可。其餘的參數則可以參考微軟提供的官方文檔。

我們使用以下命令建置服務：

az cognitiveservices account create --kind SpeechServices --location "East Asia" --name <服務名稱> --resource-group <資源群組名稱> --sku F0

參數設定：

• --kind：API名稱。這裡選擇使用SpeechServices。
• --sku：定價層設定。

建立完成後，可以到Azure上確認該語音服務是否已經建立完成。接著，點擊服務進入後，在「概觀」的頁面中找到「金鑰」並記下來，我們等等會使用到。到這邊Speech Service語音服務就建立完成了。

測試文字轉語音API

設置完成Speech Service語音服務之後，我們使用Postman來測試這項服務。需要注意的是，API的請求網址會根據「服務的地區」而定，各個地區的URL可以在官方文檔中找到：

https://<你的服務所在地區>.tts.speech.microsoft.com/cognitiveservices/v1

接著是請求Header的部分，我們需要添加以下四個欄位：

• Ocp-Apim-Subscription-Key：服務金鑰，剛剛在概觀頁面上複製的金鑰。
• X-Microsoft-OutputFormat：語音輸出的格式，設定為audio-16khz-128kbitrate-mono-mp3，其餘音訊格式可以參考官方文檔。
• Content-Type：固定是application/ssml+xml。
• User-Agent：應用程式的名稱。

在請求的Body部分，我們需要提供相應的SSML範例。在這個例子中，我們選擇使用的語音是「en-US Tony」。這個可以根據需求或個人喜好自由更換：

<speak xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" version="1.0" xml:lang="en-US">
    <voice name="en-US-TonyNeural">
        Welcome to use Audio Content Creation to customize audio output for your products.      
    </voice>
</speak>

最後，在Postman的「Send」選項中下拉並選擇「Send and Download」，即可下載生成的語音檔案。就這樣，成功完成了一個快速而簡易的文字轉語音API測試！

SSML語音合成標記語言

SSML（Speech Synthesis Markup Language）是由W3C（World Wide Web Consortium）標準化基於XML的標記語言，專門用於提升文字轉語音合成的質量。它提供豐富且可定制的調整方案，包括「語調」、「語速」、「音量」等細節，從而使文字轉語音在更多的場景下有更自然的表現。

SSML基礎檔案結構介紹

接下來，我將介紹幾個基本的而且會使用到的基本SSML元素：

• speak：speak元素是SSML中的根元素，也是必要的項目。它需要包括的資訊有「版本號」、「所使用的語言」，以及對「特定詞彙的標記定義」：

  <speak xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" version="1.0" xml:lang="en-US"></speak>
  

• voice：voice元素在SSML中用來設定文字的語言，以及不同角色的聲音調性，例如：「男性或女性的聲音」、「聲音的粗細」和「高低」等。這也是一個必要元素，每個speak元素內至少要有一個voice元素：

  <voice name="en-US-TonyNeural">
  	Hello! How are you?
  </voice>
  

  此外，speak元素內可以包含多個voice元素，這些voice元素可以一起使用，創造出類似兩個人在對話或是有聲書的效果。例如：

  <speak xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" version="1.0" xml:lang="en-US">
      <voice name="en-US-TonyNeural">
          Hello there.    
      </voice>
      <voice name="en-US-GuyNeural">
          Hi, Nice to meet you.
      </voice>
      <voice name="en-US-TonyNeural">
          Nice to meet you too.
      </voice>
  </speak>
  

• mstts:express-as：是一個用於設定語音風格樣式的元素，它包含三個可以進行調整的屬性：

  • style：是一個調整語音說話風格的屬性，例如：「愉快」、「生氣」、「傷心」、「興奮」等等。每個voice可以搭配的style都可能不同，因此如果需要查詢具體的搭配，可以通過語音清單API或到Speech Studio上查看。
    

  • styledegree：這個屬性允許你調整說話風格的強度，可以針對不同的風格設定更強或更軟的語調，其範圍在0.01到2之間。

  • role：讓語音扮演特定角色，例如：「年輕男性」、「年輕女性」、「男孩」、「女孩」等。要注意的是，並不是每個語音都有這個角色扮演功能哦！
    

    <speak xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" version="1.0" xml:lang="en-US">
        <voice name="en-US-TonyNeural">
            <mstts:express-as style="excited" styledegree="1.5">
                Hello there! Nice to meet you!
            </mstts:express-as>
            <mstts:express-as style="friendly">
                It's a beautiful day, isn't it?
            </mstts:express-as>        
        </voice>
    </speak>
    

• emphasis：這個元素用於強調特定的語氣。通過提升某個詞語或片段的語調，可以使聽者感覺到該內容的重要性或強調。此元素可以放置在mstts:express-as元素下方。另外，需要注意的是，只有「en-US-GuyNeural」、「en-US-DavisNeural」和「en-US-JaneNeural」的語音支援強調功能。它只有一個屬性，用於設定強調的程度。

  • level：這是強調元素的屬性，用以設定強調的強度。可選的值包括「reduced」、「none」、「moderate」和「strong」，我們可以根據需求選擇不同的強調程度：

    <speak xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" version="1.0" xml:lang="en-US">
        <voice name="en-US-GuyNeural">
            <mstts:express-as style="excited" styledegree="1">
                Oh, that's fantastic! <emphasis level="moderate">Bon Jovi</emphasis> is a very popular band.
            </mstts:express-as>
        </voice>  
    </speak>
    

• lang：當你需要在語音中混合多種語言時，可以使用特定的元素。這個元素必須置於voice元素的下方。需要注意，多語言功能通常只能在特定的語言角色中使用：

  <speak xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="http://www.w3.org/2001/mstts" version="1.0" xml:lang="en-US">
  	<voice name="en-US-RyanMultilingualNeural">
  	    <lang xml:lang="zh-TW">
  	        突然好想你
  	    </lang>
  	    <lang xml:lang="en-US">
  	        is a very touching song.
  	    </lang>    
  	</voice>
  </speak>
  

  
  
  

結語

網路上的文字轉語音服務琳瑯滿目，但我最終選擇了使用Azure AI Service來實現這個功能。Azure的優勢在於其快速的部署服務、豐富的語音庫，以及完整的SSML支援。這些特性不僅讓我們可以更方便快速的實現我們的需求，同時也為我們提供了更多的可能性來優化和定制服務哦！



Github專案程式碼：Ionic結合ChatGPT - Day16