python edge-tts实现tts文本转语音、音频

文章目录

• • edge-tts实现
  • • 通用部分-安装依赖
    • 生成`不使用标签`的音频
    • [生成`使用标签`的音频(有问题 todo)](#生成使用标签的音频(有问题 todo))

实现tts有多种方式，这里用的是微软edge(浏览器那个公司)的edge-tts。
因为非页面版不支持ssml，所以精确的控制做不到，但是可以实现基本的文本转云因。

edge-tts实现

这里用的是edge-tts来实现的。

通用部分-安装依赖

pip install edge_tts
pip install asyncio

生成不使用标签的音频

代码：

import asyncio
import edge_tts


# 定义文本转语音的异步函数
async def text_to_speech(text, output_file="output.mp3", voice="zh-CN-XiaoyiNeural", rate="+0%", volume="+0%"):
    """
    将文本转为语音并保存为 MP3 文件
    :param text: 要转换的文本内容
    :param output_file: 输出音频文件路径
    :param voice: 语音音色（支持的音色列表可通过 edge-tts --list-voices 命令查看）
    :param rate: 语速（+0% 为默认，+50% 加快，-50% 减慢）
    :param volume: 音量（+0% 为默认，范围 -100% 到 +100%）
    """
    try:
        # 创建 TTS 通信对象
        communicate = edge_tts.Communicate(
            text=text,
            voice=voice,
            rate=rate,
            volume=volume
        )
        # 将语音流保存到文件
        await communicate.save(output_file)
        print(f"语音文件已保存至：{output_file}")
    except Exception as e:
        print(f"转换失败：{e}")


# 主函数
if __name__ == "__main__":
    # 要转换的文本内容
    text_content = "你好，这是使用 edge_tts 实现的文本转语音示例，支持自定义音色和语速。"

    # 调用异步函数
    asyncio.run(text_to_speech(
        text=text_content,
        output_file="my_voice.mp3",
        voice="zh-CN-YunxiNeural",  # 云希（男），也可换为 zh-CN-XiaoyiNeural（晓伊，女）
        rate="+10%",  # 语速加快 10%
        volume="+0%"  # 音量默认
    ))

实测没问题，生成了mp3且播放没问题。

生成使用标签的音频(有问题 todo)

代码：

import asyncio
import edge_tts

async def text_to_speech_with_rhythm(output_file="rhythm_voice.mp3"):
    """
    Win11 适配版：带抑扬顿挫的文本转语音（修复 SSML 解析问题）
    """
    # 精简 SSML 格式（移除多余换行/空格，确保 Win11 下解析正常）
    ssml_text = """
    <speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="zh-CN">
        <prosody rate="+5%" pitch="0Hz" volume="0%">你好，</prosody>
        <break time="100ms"/>
        <prosody rate="-10%" pitch="+8Hz" volume="+5%">这是使用 edge_tts 实现的</prosody>
        <break time="80ms"/>
        <prosody rate="-15%" pitch="+12Hz" volume="+8%">抑扬顿挫的语音示例，</prosody>
        <break time="150ms"/>
        <prosody rate="0%" pitch="-2Hz" volume="0%">支持自定义音色、语速和音调。</prosody>
    </speak>
    """
    # 去除 SSML 文本中的多余空格和换行（关键：避免 Win11 下解析异常）
    ssml_text = "".join([line.strip() for line in ssml_text.splitlines() if line.strip()])

    try:
        # Win11 下强制指定编码和协议，提升兼容性
        communicate = edge_tts.Communicate(
            text=ssml_text,
            voice="zh-CN-XiaoyiNeural",  # Win11 自带的晓伊音色，兼容性最好
            proxy=None  # Win11 无需代理，避免干扰
        )
        # 保存音频（Win11 下指定绝对路径更稳定，示例用相对路径）
        await communicate.save(output_file)
        print(f"✅ 语音生成成功！文件路径：{output_file}")
        print(f"📌 可直接在 Win11 中双击 {output_file} 播放")
    except Exception as e:
        print(f"❌ 转换失败：{e}")
        # Win11 下常见错误提示
        if "Connection" in str(e):
            print("💡 建议：检查网络，Win11 需联网调用微软 TTS 服务")
        if "Invalid" in str(e):
            print("💡 建议：确认 SSML 格式无误，或更换音色（如 zh-CN-YunxiNeural）")

if __name__ == "__main__":
    # Win11 下异步运行（兼容 Python 3.8+）
    asyncio.run(text_to_speech_with_rhythm())

实测有问题，会连speak标签一起读出来，期待的效果是不读speak标签，只读标签里面的内容。