1.1.1. 语音合成 WebSocket 接口定义文档

1.1.2. 概述

本文档目的是描述云端语音接口的 WebSocket 版本的开放协议，面向想要了解语音合成（TTS）细节，并具有一定开发能力的开发者或用户。

1.1.3. 协议详解

• 设备认证
• 语音合成（tts）

WebSocket API 接入参考Demo

WebSocket 接入Demo（JAVA）

WebSocket 接入Demo（Python）

1.1.4. 服务地址

1.1.5. 协议地址

• github

1.1.6. 协议概述

此文档用于定义开放平台上云端应用接口开发协议，协议遵循 websocket 协议。协议采用先认证，再使用的方式，步骤如下：

• 建立 wss 连接，注意是 websocket + ssl
• 认证设备
• 如果认证中 service 为 speech，则此连接后续可进行一次或多次语音交互，直至连接断开
• 如果认证中 service 为 tts，则此连接后续可进行一次或多次语音合成，直至连接断开
• 如果需要同时使用语音识别与语音合成，则需要建立两条 wss 连接，每条连接需要分别作认证

语音合成接入说明

流程

1. 需要先进行 service 为 tts 的 设备认证
2. 一次完整的语音合成的数据包以 id 来标识，称为一个 session
3. 语音数据以流的形式返回
4. 中间数据块 finish = false
5. 以 finish = true 的数据块结束

TtsRequest

说明

1. declaimer 发音人
   • zh: 成人，会读中文与英文
   • c1: 儿童，会读中文与英文(完善中)
2. text 中的文本中可以设置 SSML 标签，详见SSML文档
3. codec 编码格式：
   • pcm：24000，16bit，mono
   • opu：由数据帧组成，每帧由 1字节（后面数据长度）与 用opus压缩320字节后的数据
   • opu2：与 opu 区别是没有表示数据长度的1字节
   • mp3：mp3编码，保存成文件可以直接用播放器播放
   • opus：标准8字节头的opus编码
4. sample_rate 可设置为 16000 或 24000，16000 语音数据较少，所需带宽较小，效果较差，默认为24000

TtsResponse

说明

1. 接收到第一个数据块就可以开始播放，以加快响应速度