IBM Watson Text to Speech
面向开发者的 API 云服务，将文本转换为多语言自然语音
工具介绍
IBM Watson Text to Speech 是一项 API 云服务，用于将书面文本转换为自然流畅的语音。它提供实时多语言语音合成，声音由基于人类语音训练的深度神经网络生成，并支持通过 SSML 调整发音、音量、音调和语速等属性。开发者可以将其接入现有应用，或在 watsonx Assistant 中使用，也可通过 HTTP 与 WebSocket 接口调用合成能力，并选择多种输出音频格式。
核心功能
- 实时多语言语音合成：将书面文本实时转换为多种语言和方言的自然语音，覆盖荷兰语、英语（澳/英/美）、法语（加/法）、德语、意大利语、日语、韩语、葡萄牙语（巴西）和西班牙语等。
- 自然神经网络语音：语音由基于人类语音训练的深度神经网络生成，输出平滑自然的音质。
- 自定义品牌语音：可使用最少约一小时的录音，为选定说话人建模并设计专属品牌神经语音，该能力属于 Premium 功能。
- SSML 语音属性控制：通过 Speech Synthesis Markup Language 调整发音、音量、音调和语速等语音属性。
- 表现力说话风格：可选择 GoodNews、Apology、Uncertainty 等特定说话风格来控制语气。
- 自定义发音模型：通过定制接口定义自定义模型和词典，控制输入文本中特殊词汇的发音。
使用方法
- 1在现有应用或 watsonx Assistant 中确定需要转换为语音的书面文本内容与目标语言。
- 2通过 HTTP 或 WebSocket 接口提交纯文本或使用 SSML 标记的文本，调用语音合成能力。
- 3按需选择语音与说话风格，或使用自定义模型和词典控制特殊词汇的发音。
- 4接收以所选音频格式返回的合成语音，并检查输出结果是否符合预期。
常见问题
IBM Watson Text to Speech 主要能做什么？
它是一项 API 云服务，可将书面文本转换为自然流畅的语音，支持多种语言和声音，并可嵌入现有应用或 watsonx Assistant 中使用。
如何调用它的语音合成能力？
语音合成可通过 HTTP 和 WebSocket 接口调用，两种接口都接受纯文本以及使用 SSML 标记的文本；WebSocket 接口还可提供音频中词语的时间信息。
可以调整语音的发音、音量、音调和语速吗？
可以。通过 Speech Synthesis Markup Language（SSML）可以调整发音、音量、音调和语速等语音属性，此外还可选择 GoodNews、Apology、Uncertainty 等表现力说话风格。
支持哪些语言？
支持的语言和方言包括荷兰语、英语（澳大利亚、英国、美国）、法语（加拿大、法国）、德语、意大利语、日语、韩语、葡萄牙语（巴西）以及西班牙语（卡斯蒂利亚、拉丁美洲、北美），中文不在支持列表中。
可以创建自定义品牌语音吗？
可以。使用最少约一小时的录音即可为选定说话人建模，设计专属品牌神经语音，该功能属于 Premium 功能。
