鸿蒙开发：文本合成语音

前言

Android开发的同学都知道，在Android当中，实现一段文字合成语音播放，可以使用系统提供的对象TextToSpeech来很快的实现，如果不用系统自带的，也可以使用三方提供的，比如讯飞的语音合成等等，总之，实现起来多种多样，那么，在鸿蒙当中，如何实现根据指定的文本进行合成语音合成播放呢，其实也是非常的简单，因为鸿蒙当中也有textToSpeech。

实现步骤

第一步：创建引擎得到文本转语音类

使用系统自带的Api textToSpeech，调用createEngine方法来创建引擎，接收的参数，用来设置创建引擎实例的相关参数，比如配置的语种、模式、音色和风格等。

private createTextToSpeech() {let extraParam: Record<string, Object> = { "style": 'interaction-broadcast', "locate": 'CN', "name": 'EngineName' };let initParamsInfo: textToSpeech.CreateEngineParams = {language: 'zh-CN',person: 0,online: 1,extraParams: extraParam}// 调用createEngine方法textToSpeech.createEngine(initParamsInfo,(err: BusinessError, textToSpeechEngine: textToSpeech.TextToSpeechEngine) => {if (!err) {console.info('Succeeded in creating engine.');// 接收创建引擎的实例this.ttsEngine = textToSpeechEngine;} else {console.error(`Failed to create engine. Code: ${err.code}, message: ${err.message}.`);}})}

关于参数，需要注重说明一下，首先是language，也就是支持的语言，目前只支持中文，也就是“zh-CN”；online字段是支持的模式，0为在线模式，目前不支持；1为离线，当前仅支持离线模式；person，音色，0为聆小珊女声音色，当前仅支持聆小珊女声音色；extraParams为风格设置，比如设置广播风格，是否支持后台播放等。

可以发现，虽然有很多参数，但是目前都仅仅支持一种，基本上固定就行，extraParams中有一个isBackStage，也就是是否支持后台播放，为true时，支持后台播报。

第二步，语音播放

文字合成语音，我们只需要调用speak方法即可，两个参数，第一个是需要合成语音的文本，要求是不超过10000字符的中文文本，这个是重点，第二个是，合成播报音频的相关参数，用于配置语速、音量、音调、合成类型等，其中有一个参数requestId需要知道，它在同一实例内仅能用一次，重复设置是不起作用的，如果多次调用，建议每次进行更换，比如用时间戳，随机数等等。

 // 调用speak播报方法private speak(message:string) {let speakListener: textToSpeech.SpeakListener = {// 开始播报回调onStart(requestId: string, response: textToSpeech.StartResponse) {console.info(`onStart, requestId: ${requestId} response: ${JSON.stringify(response)}`);},// 完成播报回调onComplete(requestId: string, response: textToSpeech.CompleteResponse) {console.info(`onComplete, requestId: ${requestId} response: ${JSON.stringify(response)}`);},// 停止播报完成回调，调用stop方法并完成时会触发此回调onStop(requestId: string, response: textToSpeech.StopResponse) {console.info(`onStop, requestId: ${requestId} response: ${JSON.stringify(response)}`);},// 返回音频流onData(requestId: string, audio: ArrayBuffer, response: textToSpeech.SynthesisResponse) {console.info(`onData, requestId: ${requestId} sequence: ${JSON.stringify(response)} audio: ${JSON.stringify(audio)}`);},// 错误回调，播报过程发生错误时触发此回调onError(requestId: string, errorCode: number, errorMessage: string) {console.error(`onError, requestId: ${requestId} errorCode: ${errorCode} errorMessage: ${errorMessage}`);}};// 设置回调this.ttsEngine?.setListener(speakListener);// 设置播报相关参数let extraParam: Record<string, Object> = {"queueMode": 0,"speed": 1,"volume": 2,"pitch": 1,"languageContext": 'zh-CN',"audioType": "pcm","soundChannel": 3,"playType": 1}let speakParams: textToSpeech.SpeakParams = {requestId: "123456-a", // requestId在同一实例内仅能用一次，请勿重复设置extraParams: extraParam}// 调用speak播报方法this.ttsEngine?.speak(message, speakParams)}

停止播放

直接调用stop即可。

 ttsEngine.stop()

关闭引擎，释放引擎资源

// 调用shutdown接口
ttsEngine.shutdown()

语音识别回调

let speakListener: textToSpeech.SpeakListener = {// 开始播报回调onStart(requestId: string, response: textToSpeech.StartResponse) {console.info(`onStart, requestId: ${requestId} response: ${JSON.stringify(response)}`);},// 完成播报回调onComplete(requestId: string, response: textToSpeech.CompleteResponse) {console.info(`onComplete, requestId: ${requestId} response: ${JSON.stringify(response)}`);},// 停止播报完成回调，调用stop方法并完成时会触发此回调onStop(requestId: string, response: textToSpeech.StopResponse) {console.info(`onStop, requestId: ${requestId} response: ${JSON.stringify(response)}`);},// 返回音频流onData(requestId: string, audio: ArrayBuffer, response: textToSpeech.SynthesisResponse) {console.info(`onData, requestId: ${requestId} sequence: ${JSON.stringify(response)} audio: ${JSON.stringify(audio)}`);},// 错误回调，播报过程发生错误时触发此回调onError(requestId: string, errorCode: number, errorMessage: string) {console.error(`onError, requestId: ${requestId} errorCode: ${errorCode} errorMessage: ${errorMessage}`);}};// 设置回调this.ttsEngine?.setListener(speakListener);

播报策略

在不同的场景下，比如停顿，单词连读，数字分开读，等等，不同的场景就会有不同的播放策略。

单词播报方式

文本格式：[hN] (N=0/1/2)，首先h是固定的，N可以选择012三个数字，0是智能判断单词播放方式。默认值即为0，1是逐个字母进行播报，2是以单词方式进行播报。

举例：

"hello[h1] world"

hello使用单词发音，world及后续单词将会逐个字母进行发音。

数字播报策略

格式和以上一样，[nN] (N=0/1/2)，N可以选择012三个数字，0是智能判断数字处理策略，默认值为0；1是作为号码逐个数字播报，2是作为数值播报，超过18位数字不支持，自动按逐个数字进行播报。

举例：

"[n2]123[n1]456[n0]"

其中，123将会按照数值播报，456则会按照号码播报，而后的文本中的数字，均会自动判断。

插入静音停顿

格式为[pN]，N为无符号整数，单位为ms。

举例：

"你好[p1000]程序员一鸣"

以上的语句播报时，将会在“你好”后插入1000ms的静音停顿。

指定汉字发音

汉字声调用后接一位数字1~5分别表示阴平、阳平、上声、去声和轻声5个声调，格式为：[=MN]，其中M表示拼音，N表示声调，取值范围为，1表示阴平，2表示阳平，3表示上声，4表示去声，5表示轻声。

举例：

"着[=zhao2]火"

“着”字将读作“zhaó”。

相关总结

文本合成语音的能力目前只能在真机上进行测试，不支持模拟器。