簡 介： 本文測試了將AZure的文本生成的語音信號分割成不同的片段，適合進行視頻的后期配音。分割利用了每一段語音之間的 0.5 秒中的間隔，這樣可以將每一段的語音對應的分割出來。
**關鍵詞**： AZure

01 文字轉語音

一、背景介紹

??如下是Azure網站提供的文字轉換成語音的界面。文本轉語音^[1]

二、轉換步驟

??TEASOFT語音配音的轉換布置：

• 將TEASOFT配音導出；
• 轉換到Azure網站進行播放，同期使用 Audacity進行錄制；
• 將錄制的語音進行切分。使用時長完成切分，存儲在語音命名的 .MP3, .WAV 文件中；這些文件最后由TEASOFT與視頻合成在一起。

1、TEASOFT導出文字

??利用BSIRFORM上的 “Action” 按鈕生成視頻配音文字。具體操作：alt+點擊Action 。

??TEASOFT 生成文字時，每一個Action中的文字形成一行。并對每一行進行如下的處理：

• 將其中的句號“。”，修改成逗號“，”。
• 將其中的半角句號空格“. ”，修改成逗號空格。

??下面是轉化后的文字樣本。

今天在Youtube上，
看到一位Up主介紹了波形折疊電路，
并展示了它應用在電子音樂信號處理方面，
那么什么是波形折疊？
如何利用電路來實現呢？
首先討論一下什么是波形折疊？
以這三個波形為例進行說明，
對于三角信號波形，
如果它的幅值超過一個閾值，
上面的波形則鏡像折疊到閾值下面，
這就是波形折疊，
對于鋸齒信號波形，
同樣，
進行折疊之后，它變成了三角波，
對于方波信號，
信號折疊之后，
波形仍然是方波，
只是幅值下降，
波形沒有變化，
下面，
如何利用電路來實現呢？
視頻中給出了從簡單到復雜的實現方法，
下面對此進行測試一下，
下面搭建單管折疊電路，
總共有三個器件，
這是電路原理圖，NPN三極管使用8050.
從MSO24的信號源輸出500Hz，
峰峰值為5V的三角波，
藍色波形是輸出的波形，
這是讀入內存后的波形數據，
下面測量PNP折疊電路，
這是電路輸出波形，
從MSO24讀取的波形數據，
將上面兩個電路并聯在一起，形成雙邊這點電路，
這對峰峰值為1V的三角波處理結果，
調整不同幅值，
可以看到折疊信號始終維持在正負0.25V之內，
本文討論了波形折疊電路，
根據Youtube上的UP主介紹的簡單點路，
搭建了基于三極管的波形折疊電路，
驗證了相關電路的工作原理，

2、AZure 文字轉換語音

??進入 AZure 文本轉語音界面。文本轉語音^[2] : https://azure.microsoft.com/zh-cn/products/cognitive-services/text-to-speech/#overview

??將上述文字拷貝到界面中的對話框內。選擇合適的語言，語音，說話風格以及角色扮演等。

??使用 Audacity軟件進行錄制語音合成結果，并存儲到 .WAV 文件。

三、語音分割

1、語音分割原理

??分割每個語音利用了每一段之間存在 0.5秒的時間間隔。搜尋語音文件中所有長度大于等于 0.5 秒的時間間隔，將對應的數據存儲在各自的語音文件中。

2、語音分割算法

??根據 ?電話雙音頻撥碼信號采集^[2] 所采用的 Python 對于語音處理的相關算法，進行上述合成語音的分割。

（1）語音文件讀取

??讀取語音波形文件，獲得相應的參數和數據。

from?headm?import?*
from?scipy.io?import?wavfile
wavefile?=?r'D:\Temp\11.wav'
sample_rate,?sig?=?wavfile.read(wavefile)
printf(sample_rate,?shape(sig))

??保存的語音文件的采樣率為 44100Hz，通過數量長度除以采樣率，可以知道語音文件時間長度為 115.8s 。

44100 (5107840, 2)

??繪制其中一個聲道的數據波形如下：

（2）語音分割參數

??對于上述錄制的音頻文件波形進行分析，獲得語音分割參數：

? ● ?語音分割參數：
???靜音幅值：±25，這個數值最終定位50
???靜音時間長度：0.5s

3、語音分隔程序

（1）程序代碼

#!/usr/local/bin/python
#?-*-?coding:?gbk?-*-
#******************************
#?SPS.PY???????????????????????--?by?Dr.?ZhuoQing?2022-10-03
#???Seperate?speak?signal?into?segment.
#???Usage:??sps?wavefile?silencevalue(int)?silencetime(float)
#
#???Before?using?sps,?copy?all?voice?string?into?clipboard.
#
#?Note:
#******************************

from?headm?import?*

from?scipy.io?import?wavfile
from?pydub?import?AudioSegment

wavefile?=?r'D:\Temp\11.wav'

#------------------------------------------------------------
try:
????if?not?os.path.exists(r'd:\temp'):
????????os.makedirs(r'd:\temp')
????if?not?os.path.exists(r'd:\temp\VOICE'):
????????os.makedirs(r'd:\temp\VOICE')
except?OSError:
????printf("Error?:Creating?directory?of?data.")

#------------------------------------------------------------
silencevalue?=?25???????????????????#?Silence?max?value
silencetime??=?0.5??????????????????#

mp3flag?=?0

#------------------------------------------------------------
strall?=?[s.strip('\r')?for?s?in?clipboard.paste().split('\n')?if?len(s)?>?0]

for?s?in?sys.argv:
????fname?=?os.path.join(r'd:\temp',?'%s.WAV'%s)
????if?os.path.isfile(fname):
????????wavefile?=?fname
????????continue

????fname?=?os.path.join(r'd:\temp',?'%s.MP3'%s)
????if?os.path.isfile(fname):
????????wavefile?=?fname
????????mp3flag?=?1
????????continue

????if?s.isdigit():
????????silcencevalue?=?int(s)
????????if?silencevalue?>?1000:
????????????silencevalue?=?1000

????????continue

????if?s.replace('.',?'').isdigit():
????????silcentime?=?float(s)


printff(wavefile,?silencevalue,?silencetime)

#------------------------------------------------------------

if?mp3flag?==?0:
????sample_rate,?sig?=?wavfile.read(wavefile)
????sigdata?=?array(sig[:,0])
else:
????sample_rate?=?44100
????sound?=?AudioSegment.from_file(file=wavefile)
????left?=?sound.split_to_mono()[0]
????sig?=?frombuffer(left._data,?int16)
????sigdata?=?array(sig)

#------------------------------------------------------------

sigdata[(sigdata?>?-silencevalue)?&?(sigdata?0
sigdata[(sigdata?<=?-silencevalue)?|?(sigdata?>=?silencevalue)]?=?1

sigone?=?where(sigdata?==?1)[0]
sigdelta?=?array([x2-x1?for?x1,x2?in?zip(sigone[0:-1],?sigone[1:])])
deltamin?=?int(sample_rate*silencetime)

sigmax?=?where(sigdelta?>?deltamin)[0]

sigsegment?=[sigone[0]]
for?sm?in?sigmax:
????sigsegment.append(sigone[sm+1])

sigsegment.append(sigone[-1])

#------------------------------------------------------------

printff('Voice?Segment:%d'%len(sigsegment),?'Voice?String:%d'%len(strall))
printf('\a')
if?len(sigsegment)?-?len(strall)?!=?1:
????printf("Voice?String?Number?error?!\a")
????exit()


#------------------------------------------------------------
for?i?in?range(len(sigsegment)?-?1):
????startid?=?sigsegment[i]
????endid?=?sigsegment[i+1]?-?sample_rate*3//4

????wavefilename?=?'%04d.wav'%i

????if?i?????????sa?=?strall[i].replace('，',?'').replace(',','').replace('.','').replace('。',?'').replace(';','')
????????wavefilename?=?'%s.wav'%sa


????outfile?=?os.path.join(r'd:\temp\VOICE',?wavefilename)

????if?mp3flag?==?0:
????????wavfile.write(outfile,?sample_rate,?sig[startid:endid,?:])
????else:?wavfile.write(outfile,?sample_rate,?sig[startid:endid])

????printf(outfile)


tspbeep(1800,?100)

#------------------------------------------------------------
#????????END?OF?FILE?:?SPS.PY
#******************************

（2）程序用法

??在 sps 命令后面可以添加 wave 文件， 靜音幅度， 靜音時間等參數。需要注意的是， 在使用 sps 之前，需要將聲音的文本拷貝到剪切板中。

??分割后的文件存儲在 d:\temp\VOICE 目錄中。

四、分割測試

??對于上述程序進行了測試，它準確的將所有的語音進行了分割。

※ 總??結 ※

??本文測試了將AZure的文本生成的語音信號分割成不同的片段，適合進行視頻的后期配音。分割利用了每一段語音之間的 0.5 秒中的間隔，這樣可以將每一段的語音對應的分割出來。

下面是利用AZure配音的短片：

參考資料