3. 语速与音调调节

任务说明

为语音合成模块增加语速（speed）与音调（pitch）两个可调参数，使同一段文本能够以不同语速和音调朗读，并输出可播放的音频文件。本案例基于 pyttsx3 引擎实现，聚焦于参数设置与音频生成的最小闭环。

实现方案

使用 pyttsx3 的 setProperty() 方法分别设置语速（words per minute）与音调（pitch百分比）。语速默认值为200，音调默认值为50（引擎内部范围通常为0~100）。通过命令行参数接收用户输入，生成对应音频并保存为WAV文件。

代码实现

import pyttsx3
import sys

def synthesize(text: str, speed: int = 200, pitch: int = 50, output: str = "output.wav"):
    """
    根据指定语速和音调合成语音并保存为音频文件。
    
    参数:
        text:   要朗读的文本
        speed:  语速（词/分钟），默认200
        pitch:  音调（0~100），默认50
        output: 输出音频文件名
    """
    engine = pyttsx3.init()
    
    # 设置语速与音调
    engine.setProperty('rate', speed)
    engine.setProperty('pitch', pitch)
    
    # 保存到文件
    engine.save_to_file(text, output)
    engine.runAndWait()
    print(f"已生成音频: {output} (语速={speed}, 音调={pitch})")

if __name__ == "__main__":
    # 命令行参数: python tts_control.py "文本" [语速] [音调] [输出文件名]
    if len(sys.argv) < 2:
        print("用法: python tts_control.py \"文本\" [语速] [音调] [输出文件名]")
        sys.exit(1)
    
    text = sys.argv[1]
    speed = int(sys.argv[2]) if len(sys.argv) > 2 else 200
    pitch = int(sys.argv[3]) if len(sys.argv) > 3 else 50
    output = sys.argv[4] if len(sys.argv) > 4 else "output.wav"
    
    synthesize(text, speed, pitch, output)

依赖安装

pip install pyttsx3
# Linux 系统还需安装 espeak 与 libespeak1
sudo apt-get install espeak libespeak1  # Ubuntu/Debian

运行与验证

执行以下命令生成不同语速和音调的音频文件：

# 默认语速200，音调50
python tts_control.py "你好，欢迎学习AI数字人课程" 

# 慢速（120词/分钟），低音调（30）
python tts_control.py "这是一段慢速低音朗读" 120 30 slow_low.wav

# 快速（300词/分钟），高音调（80）
python tts_control.py "这是一段快速高音朗读" 300 80 fast_high.wav

验证方法：

1. 运行上述三条命令，确认终端输出“已生成音频”且无异常报错；
2. 检查当前目录下是否生成 output.wav、slow_low.wav、fast_high.wav 三个文件；
3. 使用任意音频播放器（如 ffplay、VLC）播放三个文件，主观听感应满足：slow_low.wav 明显比 output.wav 语速慢且音调低，fast_high.wav 明显比 output.wav 语速快且音调高。

判定标准：三个音频文件均能正常播放，且语速与音调差异符合参数设定方向，即视为功能通过。

参数说明

注意事项：不同操作系统下 pyttsx3 对 pitch 属性的支持程度不同。Windows 的 SAPI5 驱动支持该属性；Linux 的 espeak 驱动可能忽略 pitch 设置。若在 Linux 下音调无变化，建议改用 espeak 命令行工具或 gTTS 配合音频后处理实现音调调节。