文本语音互相转换

TTS 文字转语音 Text To Speech

要求：

• 能自动识别文本语言，最好也支持混合语言文本（我们并不知道用户的语言是什么）；
• 输出的语音要求支持多个角色，比如男声、女声、儿童声等；
• 价格便宜。

1、chatgpt Text to speech

文档链接
可以自动识别语言，混合语言也可以，价格是$0.015 / 1K characters；
问题是目前的角色太少了，只发布了6个，不满足我们的需求

2、微软的文本转语音

微软说明文档

对接很简单，问题是你必须指定输入的是什么语言，如果是混合语言输入，必须使用xml的方式，我们的产品是并不会提前知道输出的是什么语言，所以不符合要求

中间部署服务发生的一个小插曲，我们的linux系统是Ubuntu22.04，报错问题，：

The Speech SDK does not yet support OpenSSL 3.0, which is the default in Ubuntu 22.04 and Debian 12.
就是说微软的sdk要求linux系统是Ubuntu 22.04，但是却不支持openssl3.0，但是这玩意还是Ubuntu 22.04的默认配置，所以需要手动卸载然后安装低版本的openssl，真是坑爹

3、elevenlabs

文档链接
两个google机器学习相关的前员工创办的公司，能自动识别输入语言，支持混合语言，有多个输出语音角色可选，免费版账号有3个角色，nice，就它了

STT 语音转文本 Speech To Text

要求：

• 能自动识别语音的语言种类，最好混合语种输入也行（我们并不知道用户的语言是什么）；
• 价格便宜。

其实一开始是找了几个开源的语音转文本库，合适的是这个：Uberi/speech_recognition

发现它是混合了google microsoft这些厂家的技术，既然如此，我们自己去看文档就行了，不需要这个封装一层；

1、google cloud

看基本功能，这些都没问题，问题就在于自动识别语言，默认情况下你是必须手动指定你的语音文件的语言，如果语音文件中你说的是中文，传给sdk的说语音是英文，那这个就识别不出来。

google也是有自动识别语言功能的，但是它是让你传语言数组参数，这个数组最多三个语言，自动匹配相似的语言，官方文档

不符合要求

2、microsoft
基本功能我就不说了，自动识别语言的问题，官方文档在这

和google类似最多传入10个语言，不匹配会返回最相似的一个，原话在此：

语音服务会返回提供的一种候选语言，即使这些语言不在音频中也是如此。例如，如果提供fr-FR（法语）和en-US（英语）作为候选，但讲德语，则将返回fr-FR或。en-US

不符合要求

3、chatgpt

文档链接
支持混合语种的语音输入，价格是$0.006 / minute，满足要求