目前国内比较好的TTS(语音合成)接口

想在播客里加一个小功能：每天自动播报几条科技新闻。新闻来源可以通过一些接口抓取再筛选，但用真人来读成本实在太高，TTS（语音合成）如果可行，当然是比较完美的方案。大概5年前试过科大讯飞的TTS接口，当时感觉效果还不错，但用于正式的内容类产品中仍略显牵强。

5年过去了，国内的TTS水平会不会已经突飞猛进？有点期待，于是简单测试了一下，总体感受没有期待中那么大进步，用于阅读新闻等场景仍然不太理想，目前比较适合的可能还是读验证码、简短的语音提示等场景。

分别说说试过的几个接口，由于我的需求是在服务器端生成语音文件，所以测试的都是在线调用的Web接口，不是App里的SDK：

科大讯飞

网址：

1. 讯飞开放平台-在线语音合成
2. 合成多音字、静音停顿、数字读法

优点：

1. 精品发音人的效果比较好，其中“讯飞晓峰”比较适合播报严肃新闻
2. 对多音字、静音停顿、数字、英文读法等提供了控制标记，比如：
   1. 着[=zhuo2]手：多音字“着”在这里读为zhuó
   2. 你好[p500]科大讯飞：静音停顿500毫秒
   3. [n2]123[n1]456[n0]：123将会按照数值处理，读成“一百二十三”，456则会按照号码处理，读成“四五六”，其后出现的数字，则会自动判断读法

缺点：

1. 接口有每日调用次数限制，默认500次，可申请调至2万次/天，听起来不少，可实际调用时每次不能请求太长的文本，需要拆分，如果需要生成的内容比较多，还是有可能达到上限
2. 免费的普通发音人效果非常差，在新闻阅读的场景中，几乎不可用
3. 精品发音人效果虽然较好，但需要付费使用，年付2万-10万元，对于免费项目来说，这个使用成本比较难接受

腾讯

腾讯有好几个团队在提供相关接口，我找到的有三个：

1. 腾讯AI实验室
2. 腾讯优图
3. 腾讯云

其中前两个接口都是在“腾讯AI开放平台”上提供的，可以在这里体验一下生成语音的效果，具体的文档在这里。

腾讯AI实验室接口效果不好，和科大讯飞的普通发音人差不多。

腾讯优图的效果明显好很多，目前又免费试用，且不限制请求次数，本来已经觉得可以选择了，但有一个很难接受的Bug是：无法控制英文的读法。比如对“IT”来说，有时我们希望按照单词的方式，读成“it”，但很多时候，需要按照字母的方式读出“I-T”，如果用科大讯飞的接口，可以用标记来指定想要的读法，但优图并没有提供类似的方式来指定读法，也无法足够智能的判断应该怎么读，不论传给它“it”、“It”，还是“IT”，永远都只会按照单词的方式来读，因此也无法使用。

最后试用的是腾讯云的语音合成API，文档在这里，Python的SDK在这里。

总结

测试后发现，综合来说，腾讯云的语音合成接口是目前最适合我的：

优点：

1. 生成效果非常好，个人感受甚至超过科大讯飞需要付费的精品发音人
2. 目前内测阶段免费使用，且无调用次数限制
3. 前面提到优图做不好的英文读法问题，腾讯云可以部分解决：传“it”会按单词读，传“IT”会按字母读

缺点：

1. 无法控制多音字读法、数字读法、英文读法
2. 无法控制停顿（但可以通过切分成多段文本来自己控制）

最终开发此功能时，我会选择使用腾讯云的TTS（语音合成）接口。