Python调用搜狗、百度及腾讯API实现文字转语音的几种方案
发布时间：2026-10-15| 4人浏览过
本文介绍在Python中利用搜狗、百度和腾讯等平台的API接口实现文字转语音（TTS）的几种方法。搜狗接口目前提供较好的免费体验，百度接口已转为收费模式但赠送额度，腾讯接口同样为收费服务。文章通过具体代码示例展示了各平台的关键调用逻辑与配置参数，帮助开发者快速集成语音合成功能。
搜狗语音合成接口实现与配置
首先介绍搜狗平台的语音合成接口，该方案目前表现良好且提供免费使用权限。在Python实现中，需要构造包含appid、appkey及token的HTTP请求头，并通过POST方法向指定API端点发送包含文本内容、音频编码格式（如LINEAR16）、音调、语速及语言代码（如zh-cmn-Hans-CN）等配置参数的JSON数据。程序接收响应后，将二进制音频流写入指定文件路径即可完成转换。
搜狗API代码示例解析
def textToAudio_Sougou(message, filePath):
# https://ai.so gou.com/doc/?url=/docs/content/tts/references/rest/
'''
curl -X POST \
-H "Content-Type: application/json" \
--data '{
"appid": "xxx",
"appkey": "xxx",
"exp": "3600s"
}' https://api.zhiyin.sogou.com/apis/auth/v1/create_token
'''
token = 'xxx'
headers = {
'Authorization' : 'Bearer '+token,
'Appid' : 'xxx',
'Content-Type' : 'application/json',
'appkey' : 'xxx',
'secretkey' : 'xxx'
}
data = {
'input': {
'text': message
},
'config': {
'audio_config': {
'audio_encoding': 'LINEAR16',
'pitch': 1.0,
'volume': 1.0,
'speaking_rate': 1.0
},
'voice_config': {
'language_code': 'zh-cmn-Hans-CN',
'speaker': 'female'
}
}
}
result = requests.post(url=url, headers=headers, data=json.dumps(data, ensure_ascii=False).encode('utf-8')).content
with open(filePath, 'wb') as f:
f.write(result)百度语音合成接口与格式转换
其次为百度平台的语音合成方案，需注意该接口目前已实行收费策略，但通常会提供一定的免费试用额度。由于百度AI接口主要接受pcm格式的音频数据，因此在调用前需利用ffmpeg工具将原始音频文件（如mp3）转换为pcm格式。代码中定义了输入文件路径、pcm文件存储目录及输出目录，通过系统命令执行格式转换，并处理可能出现的音频质量过差或其他转换错误，最终生成对应的字幕或音频文件。
百度API代码与ffmpeg处理流程
import base64
import json
import os
import time
import shutil
import requests
class BaiduVoiceToTxt():
# 初始化函数
def __init__(self):
# 定义要进行切割的pcm文件的位置。speech-vad-demo固定好的，没的选
self.pcm_path = ".\\speech-vad-demo\\pcm\\16k_1.pcm"
# 定义pcm文件被切割后，分割成的文件输出到的目录。speech-vad-demo固定好的，没的选
self.output_pcm_path = ".\\speech-vad-demo\\output_pcm\\"
# 百度AI接口只接受pcm格式，所以需要转换格式
# 此函数用于将要识别的mp3文件转换成pcm格式，并输出为.\speech-vad-demo\pcm\16k_1.pcm
def change_file_format(self,filepath):
file_name = filepath
# 如果.\speech-vad-demo\pcm\16k_1.pcm文件已存在，则先将其删除
if os.path.isfile(f"{self.pcm_path}"):
os.remove(f"{self.pcm_path}")
# 调用系统命令，将文件转换成pcm格式，并输出为.\speech-vad-demo\pcm\16k_1.pcm
change_file_format_command = f".\\ffmpeg\\bin\\ffmpeg.exe -y -i {file_name} -acodec pcm_s16le -f s16le -ac 1 -ar 16000 {self.pcm_path}"
os.system(change_file_format_command)
# 百度AI接口最长只接受60秒的音视，所以需要切割
# 此函数用于将.\speech-vad-demo\pcm\16k_1.pcm切割
def devide_video(self):
# 如果切割输出目录.\speech-vad-demo\output_pcm\已存在，那其中很可能已有文件，先将其清空
# 清空目录的文件是先删除，再创建
if os.path.isdir(f"{self.output_pcm_path}"):
shutil.rmtree(f"{self.output_pcm_path}")
time.sleep(1)
os.mkdir(f"{self.output_pcm_path}")
# vad-demo.exe使用相对路径.\pcm和.\output_pcm，所以先要将当前工作目录切换到.\speech-vad-demo下不然vad-demo.exe找不到文件
os.chdir(".\\speech-vad-demo\\")
# 直接执行.\vad-demo.exe，其默认会将.\pcm\16k_1.pcm文件切割并输出到.\output_pcm目录下
devide_video_command = ".\\vad-demo.exe"
os.system(devide_video_command)
# 切换回工作目录
os.chdir("..\\")
# 此函数用于将.\speech-vad-demo\output_pcm\下的文件的文件名的时间格式化成0:00:00,000形式
def format_time(self, msecs):
# 一个小时毫秒数
hour_msecs = 60 * 60 * 1000
# 一分钟对应毫秒数
minute_msecs = 60 * 1000
# 一秒钟对应毫秒数
second_msecs = 1000
# 文件名的时间是毫秒需要先转成秒。+500是为了四舍五入，//是整除
# msecs = (msecs + 500) // 1000
# 小时
hour = msecs // hour_msecs
if hour < 10:
hour = f"0{hour}"
# 扣除小时后剩余毫秒数
hour_left_msecs = msecs % hour_msecs
# 分钟
minute = hour_left_msecs // minute_msecs
# 如果不足10分钟那在其前补0凑成两位数格式
if minute < 10:
minute = f"0{minute}"
# 扣除分钟后剩余毫秒数
minute_left_msecs = hour_left_msecs % minute_msecs
# 秒
second = minute_left_msecs // second_msecs
# 如果秒数不足10秒，一样在其前补0凑足两位数格式
if second < 10:
second = f"0{second}"
# 扣除秒后剩余毫秒数
second_left_msecs = minute_left_msecs % second_msecs
# 如果不足10毫秒或100毫秒，在其前补0凑足三位数格式
if second_left_msecs < 10:
second_left_msecs = f"00{second_left_msecs}"
elif second_left_msecs < 100:
second_left_msecs = f"0{second_left_msecs}"
# 格式化成00:00:00,000形式，并返回
time_format = f"{hour}:{minute}:{second},{second_left_msecs}"
return time_format
# 此函数用于申请访问ai接口的access_token
def get_access_token(self):
# 此变量赋值成自己API Key的值
client_id = 'f3wT23Otc8jXlDZ4HGtS4jfT'
# 此变量赋值成自己Secret Key的值
client_secret = 'YPPjW3E0VGPUOfZwhjNGVn7LTu3hwssj'
auth_url = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + client_id + '&client_secret=' + client_secret
response_at = requests.get(auth_url)
# 以json格式读取响应结果
json_result = json.loads(response_at.text)
# 获取access_token
access_token = json_result['access_token']
return access_token
# 此函数用于将.\speech-vad-demo\output_pcm\下的单个文件由语音转成文件
def transfer_voice_to_srt(self,access_token,filepath):
# 百度语音识别接口
url_voice_ident = "http://vop.baidu.com/server_api"
# 接口规范，以json格式post数据
headers = {
'Content-Type': 'application/json'
}
# 打开pcm文件并读取文件内容
pcm_obj = open(filepath,'rb')
pcm_content_base64 = base64.b64encode(pcm_obj.read())
pcm_obj.close()
# 获取pcm文件大小
pcm_content_len = os.path.getsize(filepath)
# 接口规范，则体函义见官方文件，值得注意的是cuid和speech两个参数的写法
post_data = {
"format": "pcm",
"rate": 16000,
"dev_pid": 1737,
"channel": 1,
"token": access_token,
"cuid": "1111111111",
"len": pcm_content_len,
"speech": pcm_content_base64.decode(),
}
proxies = {
'http':"127.0.0.1:8080"
}
# 调用接口，进行音文转换
response = requests.post(url_voice_ident, headers=headers, data=json.dumps(post_data))
# response = requests.post(url_voice_ident,headers=headers,data=json.dumps(post_data),proxies=proxies)
return response.text
if __name__ == "__main__":
# 实例化
baidu_voice_to_srt_obj = BaiduVoiceToTxt()
# 自己要进行音文转换的音视存放的文件夹
video_dir = ".\\video\\"
all_video_file =[]
all_file = os.listdir(video_dir)
subtitle_format = "{\\fscx75\\fscy75}"
# 只接受.mp3格式文件。因为其他格式没研究怎么转成pcm才是符合接口要求的
for filename in all_file:
if ".mp3" in filename:
all_video_file.append(filename)
all_video_file.sort()
i = 0
video_file_num = len(all_video_file)
print(f"当前共有{video_file_num}个音频文件需要转换，即将进行处理请稍等...")
# 此层for循环是逐个mp3文件进行处理
for video_file_name in all_video_file:
i += 1
print(f"当前转换{video_file_name}({i}/{video_file_num})")
# 将音视翻译成的内容输出到同目录下同名.txt文件中
video_file_srt_path = f".\\video\\{video_file_name[:-4]}.srt"
# 以覆盖形式打开.txt文件
video_file_srt_obj = open(video_file_srt_path,'w+')
filepath = os.path.join(video_dir, video_file_name)
# 调用change_file_format将mp3转成pcm格式
baidu_voice_to_srt_obj.change_file_format(filepath)
# 将转换成的pcm文件切割成多个小于60秒的pcm文件
baidu_voice_to_srt_obj.devide_video()
# 获取token
access_token = baidu_voice_to_srt_obj.get_access_token()
# 获取.\speech-vad-demo\output_pcm\目录下的文件列表
file_dir = baidu_voice_to_srt_obj.output_pcm_path
all_pcm_file = os.listdir(file_dir)
all_pcm_file.sort()
j = 0
pcm_file_num = len(all_pcm_file)
print(f"当前所转文件{video_file_name}({i}/{video_file_num})被切分成{pcm_file_num}块，即将逐块进行音文转换请稍等...")
# 此层for是将.\speech-vad-demo\output_pcm\目录下的所有文件逐个进行音文转换
for filename in all_pcm_file:
j += 1
filepath = os.path.join(file_dir, filename)
if (os.path.isfile(filepath)):
# 获取文件名上的时间
time_str = filename[10:-6]
time_str_dict = time_str.split("-")
time_start_str = baidu_voice_to_srt_obj.format_time(int(time_str_dict[0]))
time_end_str = baidu_voice_to_srt_obj.format_time(int(time_str_dict[1]))
print(f"当前转换{video_file_name}({i}/{video_file_num})-{time_start_str}-{time_end_str}({j}/{pcm_file_num})")
response_text = baidu_voice_to_srt_obj.transfer_voice_to_srt(access_token, filepath)
# 以json形式读取返回结果
json_result = json.loads(response_text)
# 将音文转换结果写入.srt文件
video_file_srt_obj.writelines(f"{j}\r\n")
video_file_srt_obj.writelines(f"{time_start_str} --> {time_end_str}\r\n")
if json_result['err_no'] == 0:
print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})转换成功：{json_result['result'][0]}")
video_file_srt_obj.writelines(f"{subtitle_format}{json_result['result'][0]}\r\n")
elif json_result['err_no'] == 3301:
print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})音频质量过差无法识别")
video_file_srt_obj.writelines(f"{subtitle_format}音频质量过差无法识别\r\n")
else:
print(f"{time_start_str}-{time_end_str}({j}/{pcm_file_num})转换过程遇到其他错误")
video_file_srt_obj.writelines(f"{subtitle_format}转换过程遇到其他错误\r\n")
video_file_srt_obj.writelines(f"\r\n")
video_file_srt_obj.close()腾讯语音合成接口概述
最后提及腾讯平台的语音合成接口，该服务同样属于收费模式。开发者需根据腾讯官方文档获取相应的API密钥与调用权限，按照其规定的请求格式和参数要求发起文字转语音请求。具体实现细节需参考腾讯最新的技术文档，确保调用过程符合其计费与使用规范。
方案总结与建议
综上所述，本文介绍了利用Python调用搜狗、百度及腾讯API实现文字转语音的几种主要方法。读者可根据自身需求，如成本预算（搜狗免费、百度及腾讯收费）、功能需求及接口稳定性，选择合适的语音合成方案。如需了解更多Python文字转语音相关内容，建议查阅本站过往文章或继续浏览后续技术更新，感谢支持。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
