IoT-For-Beginners 智能定时器实战：在虚拟 IoT 设备上用 Azure 语音服务实现文本转语音（TTS）-开发者社区

IoT-For-Beginners 智能定时器实战：在虚拟 IoT 设备上用 Azure 语音服务实现文本转语音（TTS）

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

本篇指南聚焦 IoT-For-Beginners 第 6 部分「消费类物联网」第 3 课中的虚拟设备（Virtual IoT Device）方案，讲解如何复用上一课用于语音识别的 Azure Speech 服务，在smart-timer项目中通过SpeechSynthesizer将文本合成为语音，让设备在定时器启动与结束两个时刻对用户进行语音播报。学完本篇，你将掌握 Speech SDK 的语音合成配置、语音（Voice）动态选取、SSML 拼接，以及「朗读期间暂停连续识别」这一关键防回声技巧，并能读懂仓库中完整的可运行示例源码。

为什么定时器需要文本转语音

在 6-consumer/lessons/3-spoken-feedback/README.md 中，本课将智能助手定义为双向通信设备：用户对它说话（"set a 3 minute timer"），它也必须用语音回应（"Ok, your timer is set for 3 minutes"）。前两课已经完成了「语音→文本→LUIS 意图解析→获取定时秒数」的链路，本课补上最后一块拼图——把确认信息与倒计时结束提醒用语音说出来。

文本转语音（Text to Speech，TTS）的典型流程分为三个阶段：文本分析（把 "1234" 按语境转换为 "one thousand two hundred thirty four" 或 "one two three four"）、语言分析（拆分为音素并附加语调数据）、波形生成（早期系统拼接单音录音，现代系统使用深度学习模型生成接近真人自然度的语音）。你不需要自己实现这些阶段——Azure 语音服务的SpeechSynthesizer会替你完成全部工作，设备只需把文本和语音参数发给云端服务，即可拿回可直接播放的音频数据。

虚拟设备方案的整体链路

在虚拟 IoT 设备（运行 Python 的 PC 上模拟）中，smart-timer的完整工作流如下，可从 code-spoken-response/virtual-iot-device/smart-timer/app.py 一窥全貌：

SpeechRecognizer持续识别麦克风输入，把语音转成文本；
process_text将文本 POST 到上一课构建的 serverless 函数（text-to-timer函数内部调用 LUIS 解析set timer意图），拿回定时秒数；
create_timer用threading.Timer创建后台定时线程，秒数到达后触发announce_timer；
say函数调用SpeechSynthesizer.speak_ssml()朗读公告文本——这正是本文要实现的代码。

下面按原文档的实操步骤，从零编写这段 TTS 代码。

前置条件

已完成上一课（第 2 课「语言理解」）的smart-timer项目，包含speech_api_key、location、language三个变量（Speech 服务密钥、区域、语言代码），并已实现基于SpeechRecognizer的连续语音识别；
虚拟环境已在 VS Code 终端中加载（python -m venv .venv创建后需激活）；
serverless 函数应用处于运行状态，以便定时器秒数解析正常工作。

步骤一：导入 SpeechSynthesizer

打开smart-timer项目中的app.py，在现有from azure.cognitiveservices.speech import ...导入语句中加入SpeechSynthesizer：

from azure.cognitiveservices.speech import SpeechConfig, SpeechRecognizer, SpeechSynthesizer

SpeechSynthesizer是 Speech SDK 中负责「文本/SSML → 音频」的核心类，与SpeechRecognizer同属azure.cognitiveservices.speech包。

步骤二：为合成器创建语音配置

在say函数上方创建一套独立于识别器的SpeechConfig：

speech_config = SpeechConfig(subscription=speech_api_key, region=location) speech_config.speech_synthesis_language = language speech_synthesizer = SpeechSynthesizer(speech_config=speech_config)

这里复用了与识别器相同的 API 密钥、区域和语言，但请注意两点差异：

识别器配置的是speech_recognition_language，而合成器配置的是speech_synthesis_language，二者语义不同、需分别设置；
由于调用get_voices_async()时会用到speech_synthesizer，因此配置与实例化必须放在模块级（脚本主流程中），而不能放在每次调用的say函数内部，否则会反复创建连接、拖慢响应。

步骤三：动态选取匹配语言的语音

每种语言都支持多种语音（Voice），可通过 SDK 直接获取列表并挑选。在配置代码下方追加：

voices = speech_synthesizer.get_voices_async().get().voices first_voice = next(x for x in voices if x.locale.lower() == language.lower()) speech_config.speech_synthesis_voice_name = first_voice.short_name

这段代码的工作机制是：

get_voices_async()异步拉取该 Speech 服务支持的全部语音列表，.get()同步等待结果；
列表中的每个语音对象带有locale（如hi-IN）与short_name（如hi-IN-SwaraNeural）属性；
next(...)找到第一个locale与当前language（忽略大小写）匹配的语音，把其short_name写入speech_synthesis_voice_name，后续合成即使用该语音。

备选方案：硬编码指定语音

如果你想固定使用某个特定发音人（如带特定口音的语音），可以删掉上述动态查找逻辑，直接从语音支持文档中挑一个short_name硬编码：

speech_config.speech_synthesis_voice_name = 'hi-IN-SwaraNeural'

步骤四：为响应生成 SSML

say函数需要向服务端发送的不是裸文本，而是Speech Synthesis Markup Language（SSML）——一种基于 XML 的语音合成标记语言，可声明文本语言、所用语音，甚至可控制语速、音量、音调。更新say函数内容，拼接 SSML：

def say(text): ssml = f'<speak version=\'1.0\' xml:lang=\'{language}\'>' ssml += f'<voice xml:lang=\'{language}\' name=\'{first_voice.short_name}\'>' ssml += text ssml += '</voice>' ssml += '</speak>'

生成的 SSML 结构与 6-consumer/lessons/3-spoken-feedback/README.md 中给出的示例一致，例如使用英国英语语音en-GB-MiaNeural播报 "Your 3 minute 5 second time has been set" 时，SSML 形如：

<speak version='1.0' xml:lang='en-GB'> <voice xml:lang='en-GB' name='en-GB-MiaNeural'> Your 3 minute 5 second time has been set </voice> </speak>

步骤五：朗读前暂停识别、朗读后恢复

在 SSML 拼接代码下方，执行「停识别 → 朗读 → 恢复识别」三段操作：

recognizer.stop_continuous_recognition() speech_synthesizer.speak_ssml(ssml) recognizer.start_continuous_recognition()

这一步是整个方案中最容易被忽略却最关键的细节：如果朗读期间麦克风识别仍在运行，设备自己播报的语音会被SpeechRecognizer捕获、转成文本、发给 LUIS，并被误判为一条「设置新定时器」的请求——于是新定时器触发新播报、新播报又被识别成新请求，形成永不终止的无限循环。先stop_continuous_recognition()再朗读，可以彻底切断这条回声路径。

💁 想直观验证这一点：把停止/恢复识别的两行注释掉，然后设置一个定时器，观察设备是否会因自己的播报而不断创建新定时器。

步骤六：运行与验证

启动函数应用后运行虚拟设备程序，对着麦克风说类似 "set a two minute timer" 的指令，应当听到两次语音反馈：

定时器刚创建时——"Your 2 minute timer started."（确认已设置）；
倒计时归零时——"Times up on your 2 minute timer."（提醒时间到）。

完整可运行的参考实现

仓库在 code-spoken-response/virtual-iot-device/smart-timer/app.py 中提供了完整的成品代码（上文各步骤均可在其中找到对应实现）。其核心骨架如下：

import requests import threading import time from azure.cognitiveservices.speech import SpeechConfig, SpeechRecognizer, SpeechSynthesizer speech_api_key = '<key>' location = '<location>' language = '<language>' recognizer_config = SpeechConfig(subscription=speech_api_key, region=location, speech_recognition_language=language) recognizer = SpeechRecognizer(speech_config=recognizer_config) def say(text): ssml = f'<speak version=\'1.0\' xml:lang=\'{language}\'>' ssml += f'<voice xml:lang=\'{language}\' name=\'{first_voice.short_name}\'>' ssml += text ssml += '</voice>' ssml += '</speak>' recognizer.stop_continuous_recognition() speech_synthesizer.speak_ssml(ssml) recognizer.start_continuous_recognition() def announce_timer(minutes, seconds): announcement = 'Times up on your ' if minutes > 0: announcement += f'{minutes} minute ' if seconds > 0: announcement += f'{seconds} second ' announcement += 'timer.' say(announcement) def create_timer(total_seconds): minutes, seconds = divmod(total_seconds, 60) threading.Timer(total_seconds, announce_timer, args=[minutes, seconds]).start() announcement = '' if minutes > 0: announcement += f'{minutes} minute ' if seconds > 0: announcement += f'{seconds} second ' announcement += 'timer started.' say(announcement) def get_timer_time(text): url = '<URL>' body = {'text': text} response = requests.post(url, json=body) if response.status_code != 200: return 0 payload = response.json() return payload['seconds'] def process_text(text): print(text) seconds = get_timer_time(text) if seconds > 0: create_timer(seconds) def recognized(args): process_text(args.result.text) recognizer.recognized.connect(recognized) recognizer.start_continuous_recognition() speech_config = SpeechConfig(subscription=speech_api_key, region=location) speech_config.speech_synthesis_language = language speech_synthesizer = SpeechSynthesizer(speech_config=speech_config) voices = speech_synthesizer.get_voices_async().get().voices first_voice = next(x for x in voices if x.locale.lower() == language.lower()) speech_config.speech_synthesis_voice_name = first_voice.short_name while True: time.sleep(1)

代码要点补充说明：

announce_timer与create_timer中的公告文本都会按时间单位是否有值决定是否拼入语句——分钟为 0 时只报秒数，反之亦然，避免出现 "0 minute" 这类冗余播报；
threading.Timer(total_seconds, announce_timer, args=[minutes, seconds]).start()创建后台线程，定时结束后自动调用announce_timer(minutes, seconds)，不阻塞主循环；
while True: time.sleep(1)让主线程保持存活，使识别回调与定时线程持续运行。

函数应用侧的 TTS 对照实现

如果你选用「设备端调用 serverless 函数获取音频」的架构（而非直接在设备上合成），仓库同样给出了函数应用示例，位于 code-spoken-response/functions/smart-timer-trigger：

text-to-speech/init.py：接收language、voice、text三个字段，先用Ocp-Apim-Subscription-Key换取访问令牌，再向https://{location}.tts.speech.microsoft.com/cognitiveservices/v1发送application/ssml+xml请求，返回riff-48khz-16bit-mono-pcm格式音频；
get-voices/init.py：调用语音列表端点，按语言过滤后返回该语言下所有ShortName语音名列表——这与虚拟设备端get_voices_async()的职责对等；
local.settings.json：定义了SPEECH_KEY、SPEECH_LOCATION、LUIS_KEY等环境变量占位符，运行函数前需替换为真实值；
text-to-timer/init.py：调用 LUIS 预测接口，命中set timer意图时把number与time unit实体换算成总秒数返回。

对比可见：虚拟设备方案把语音合成能力放在设备端 Python 进程内（依赖azure-cognitiveservices-speechSDK），而函数方案把合成能力收拢到云端、设备只负责播放；两种思路在本课的 Arduino（Wio Terminal，见 wio-terminal-text-to-speech.md）与树莓派（见 pi-text-to-speech.md）等路径中也各有体现，可按硬件能力与部署策略取舍。

小结与进阶实验

至此，smart-timer已经具备完整的「语音设置定时器 → 语音确认 → 语音提醒」闭环。原文档在 README 的挑战环节还给出了一条进阶路线：SSML 支持对指定词语添加强调、插入停顿、改变音调等控制标记，你可以尝试从设备发送不同 SSML 并对比合成效果，体会标记语言对发音细节的控制能力。

参考路径速览