目录

在 BytePlus LAS 中,可以通过 Daft 算子调用火山引擎的语音合成 API,将文本转换为音频数据。使用前需要完成企业认证,因此请先确认认证状态和 API 连接信息。

要点#

  • 目标功能为“Text-to-Speech (Doubao Speech Large Model)”。
  • 输入为文本列,输出为音频数据列,合成失败或输入为空字符串时返回None。
  • 需要appid、token、uid、cluster,其中appid和token可通过环境变量传入。
  • 可以指定音频格式、音色、语速、采样率、情感等参数。
  • 此功能面向已完成企业认证的用户。

可以实现什么#

此算子可将语音合成集成到 Daft 数据处理中。它支持批量处理文本,也支持多个输入的并行处理。音频结果可包含 Base64 格式的音频和原始响应。

文档列出的用途包括语音引导、客服语音、短视频旁白和朗读内容制作等。无论用于哪种场景,都请先确认 API 设置是否支持所需的音色和格式。

使用前需要确认的事项#

首先完成火山引擎的企业认证。未完成认证时,无法测试或正式使用此功能。

接下来,准备好appid、token、uid、cluster。文档中的代码示例从环境变量OPENSPEECH_APPID、OPENSPEECH_TOKEN读取appid和token。令牌应在运行环境中设置,不要直接写入源代码。

从 Daft 调用#

文档示例将AudioTtsDoubao传入las_udf,并应用于文本列。最小配置示意如下。

example.py
appid = os.getenv("OPENSPEECH_APPID")
token = os.getenv("OPENSPEECH_TOKEN")

df = daft.from_pydict({
    "text_input": ["今天天气真好,适合出去走走。"]
})

df = df.with_column(
    "tts_audio",
    las_udf(
        AudioTtsDoubao,
        construct_args={
            "appid": appid,
            "token": token,
            "uid": "test",
            "concurrency": 1,
            "timeout": 60,
        },
        num_cpus=1,
        batch_size=1,
        concurrency=1,
    )(col("text_input")),
)

实际运行时,需要具备可使用daft和 LAS 相关模块的环境。如果使用 Ray 运行,请像示例一样先初始化 Ray,再调用daft.set_runner_ray()。示例中,处理单元的并发数和批大小均为1。

选择音频参数#

默认音色为zh_female_wanqudashu_moon_bigtts,格式为mp3,语速为1.0,采样率为24000,比特率为160。情感表达默认关闭,启用时默认情感为happy,强度为4。

最简单的做法是先使用默认值处理一段短文本,确认音色和输出格式。调整语速或情感时,请先试听输出音频,确认其适合目标内容后,再应用到生产配置。额外的音频参数和请求参数可分别通过extra_audio_params、extra_request_params指定。

限制与失败处理#

默认超时时间为 60 秒,协程数为 1。当输入为空字符串或合成失败时,对应输出为None。因此,后续处理应能检测出缺少音频的行。

文档未提供具体价格、使用上限或支持语言列表。正式使用前,请通过 BytePlus 管理控制台或联系相关负责人,确认企业账号的服务条件,以及所需语言和音色当前是否可用。

下一步#

确认企业认证和 4 项连接信息,设置好环境变量后,使用默认 MP3 配置合成一条短文本,并检查输出结果。

来源: https://docs.byteplus.com/en/docs/Byteplus_LAS/Text-to-Speech-doubao

目录