今天，我们来研究乐鑫的语音助手框架ESP-Skainet其中的中文语音合成的例程。
git clone --recursive https://github.com/espressif/esp-skainet.git
该工程内部自带一个idf，是运行的最佳版本，不过你任然可以使用自己的idf。
cd esp-skainet/examples/chinese_tts
cp sdkconfig.defaults.esp32s3 sdkconfig.defaults
idf.py set-target esp32s3
idf.py menuconfig
修改Audio Media Hal -> Audio Hardware board 改成ESP32-S3-Korvo-1
idf.py flash monitor -p /dev/ttyUSB0
运行后，可以看到如下打印
欢迎使用乐鑫语音合成
I (266) tts_parser: unicode:0x6b22 -> huan1
I (266) tts_parser: unicode:0x8fce -> ying2
I (276) tts_parser: unicode:0x4f7f -> shi3
I (276) tts_parser: unicode:0x7528 -> yong4
I (286) tts_parser: unicode:0x4e50 -> le4
I (286) tts_parser: unicode:0x946b -> xin1
I (296) tts_parser: unicode:0x8bed -> yu3
I (296) tts_parser: unicode:0x97f3 -> yin1
I (306) tts_parser: unicode:0x5408 -> he2
I (306) tts_parser: unicode:0x6210 -> cheng2
请输入短语:
原例程大致分为两个功能，第一个功能是阅读“乐鑫语音合成”这句话，还有一个功能是朗读串口输入的文字。
第二部分经常会有bug，所以咱们简化例程，重心分析第一个功能。简化例程如下：
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include "freertos/FreeRTOS.h"
#include "freertos/task.h"
#include "esp_system.h"
#include "esp_tts.h"
#include "esp_tts_voice_xiaole.h"
#include "esp_board_init.h"
int app_main()
{
ESP_ERROR_CHECK(esp_board_init(AUDIO_HAL_16K_SAMPLES, 1, 16)); // 初始化codec芯片，配置好采样率、声道数、采样大小
esp_tts_voice_t *voice = (esp_tts_voice_t *)&esp_tts_voice_xiaole; // 配置tts的声音配置文件，来自libvoice_set_xiaole
esp_tts_handle_t *tts_handle = esp_tts_create(voice); // 创建tts对象
char *prompt1 = "你好我是启明云端"; // 需要转换的文字
if (esp_tts_parse_chinese(tts_handle, prompt1)) // 文字解析成拼音
{
int len[1] = {0};
do
{
short *pcm_data = esp_tts_stream_play(tts_handle, len, 3); // 拼音转换成pcm音频
esp_audio_play(pcm_data, len[0] * 2, portMAX_DELAY); //播放音频
} while (len[0] > 0);
}
esp_tts_stream_reset(tts_handle); // 重置 tts 流并清除 TTS 实例的所有缓存
return 0;
}
这里音频的tts来自静态库libvoice_set_xiaole中，目前也只有这一个音色可供使用，其余的tts相关函数则是属于静态库libesp_tts_chinese。
tts过度封装化，一定程度上注定它的使用难度不高。但是依据已跑完的例程来看，音频任然有发音声音的问题，对于现在的一些成熟的tts方案，乐鑫的这个tts还有一定的差距，这个缺点可能导致无法应用于商业化项目中。项目中如果涉及到语音转文字的内容，一方面可以通过云平台的提供的API能力发送文字收取PCM音频来解决。另一方面如果是有限的词汇，也可以用语音拼接的方式，把相应的音频存到文件系统中，通过映射播放指定的内容并拼凑成一段完整的语句。例如：“支付宝收款”、“元”、“个”、“十”、“百”、“千”、“万”这几段文字的语音就基本可以通过拼凑音频达到支付宝语音播报功能。
作为Espressif（乐鑫科技）大中华区合作伙伴及sigmastar（厦门星宸）VAD合作伙伴，我们不仅用心整理了你在开发过程中可能会遇到的问题以及快速上手的简明教程供开发小伙伴参考。同时也用心整理了乐鑫及星宸科技的新产品、新方案的主要特点及应用！希望你能第一时间了解并快速用上好的方案和产品！
目前启明也推出了基于ESP32-S3的支持语音的开发板，可以关注我们CSDN相关技术信息！
