孩子进行英语启蒙,需要看很多英语绘本,而且要听配套的音频来练听力。但有些英语绘本是没有对应音频的,下面简单几步,就可以将任意英语绘本制作出对应的英语朗读音频。
先到电子书资源网站搜索这个绘本名称,如果有电子书,可以直接下载,最好是pdf格式的;
如果没有电子书,但是有实体书,比如从图书馆借的绘本,可以用手机拍照做成PDF文件。
绘本每一页拍照后,按照页码顺序选择,然后点击:更多——打印或生成PDF
点击右上角,选择:另存为PDF
选择一个文件夹,保存,然后将这个PDF文件传输到电脑。
得到绘本的PDF文件后,然后申请一个腾讯云的账号,新用户可以领取一个语音合成的免费资源包,内含800万调用字符,有效期为3个月。语音合成(Text To Speech,TTS)可以将文本转化成拟人化语音,提供多种音色选择,支持自定义音量、语速,让发音更自然、更专业、更符合场景需求。语音合成可以应用于语音导航、有声读物、机器人、语音助手、自动新闻播报等场景。
不过注意,这个语音合成-通用免费资源包不含长文本,一次最多只能支持500个英文字母的语音合成。
然后,在deepseek输入框中输入提示词:
你是一个Python编程专家,要写一个通过腾讯云的语音合成API进行批量AI英语语音合成的Python脚本,具体步骤如下:
腾讯云SecretId:XXX,SecretKey:XXX
读取文件夹“F:\aivideo”中的pdf文件,如果pdf文件是图像格式,调用Tesseract进行OCR文本识别,提取出全部的文本内容;如果不是图像格式,直接提取其全部文本内容;
对于每个pdf文件,创建一个TextToVoice基础语音合成任务(语言为英语),然后定期检查任务状态,直到任务完成或失败。完成后,将语音合成结果保存到本地文件。识别结果保存到文件夹:F:\\aivideo ,文件名为对应的pdf文件名,格式为mp3,采样率为16000 Hz
注意:
一次请求有字数限制:英文最大支持400个字母,包括标点符号在内。如果pdf文本中字母超过400个,要对文本进行拆分,然后语音合成,语音合成完成后,按顺序把语音文件合并成一个。
在保存音频文件时,需要确保传入的是字节对象而不是字符串。
如果创建任务或查询状态时发生错误,应该打印错误信息;
每一步都要输出信息到屏幕上;
输出参数
参数名称类型描述
AudioStringbase64编码的wav/mp3音频数据
示例值:UklGRlR/AABXQVZFZm10IBAAAAABAAEAgD4AAAB9AAACABAAZGF0YSx9AAD+
输出示例:
{
"Response": {
"Audio": "UklGRqRwAABXQVZFZm10IBAAAAABAAEAgD4AAAB9AAACABAAZGF0YYBwAAAA......AAAAA=",
"RequestId": "d91f1496-0514-4281-932e-15a022b67d16",
"SessionId": "session-1234",
"Subtitles": [
{
"BeginIndex": 0,
"BeginTime": 250,
"EndIndex": 1,
"EndTime": 430,
"Phoneme": "ni2",
"Text": "你"
},
{
"BeginIndex": 1,
"BeginTime": 430,
"EndIndex": 2,
"EndTime": 670,
"Phoneme": "hao3",
"Text": "好"
}
]
}
}
Deepseek生成的python源代码:
import os
import time
import json
import base64
import PyPDF2
import pytesseract
from pdf2image import convert_from_path
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException
from tencentcloud.tts.v20190823 import tts_client, models
import moviepy.editor as mp
# 腾讯云API的SecretId和SecretKey
SECRET_ID = "XXX"
SECRET_KEY = "XXX"
# 文件夹路径
PDF_FOLDER = "F:\\aivideo"
def extract_text_from_pdf(pdf_path):
try:
# 尝试使用PyPDF2读取PDF文本
with open(pdf_path, 'rb') as file:
reader = PyPDF2.PdfFileReader(file)
text = ""
for page_num in range(reader.numPages):
page = reader.getPage(page_num)
text += page.extract_text()
return text
except:
# 如果失败,使用pdf2image和pytesseract进行OCR
images = convert_from_path(pdf_path)
text = ""
for image in images:
text += pytesseract.image_to_string(image, lang='eng')
return text
def split_text(text, max_length=400):
words = text.split()
chunks = []
current_chunk = []
current_length = 0
for word in words:
if current_length + len(word) + 1 > max_length:
chunks.append(' '.join(current_chunk))
current_chunk = [word]
current_length = len(word)
else:
current_chunk.append(word)
current_length += len(word) + 1
if current_chunk:
chunks.append(' '.join(current_chunk))
return chunks
def create_tts_task(client, text):
try:
req = models.TextToVoiceRequest()
params = {
"Text": text,
"SessionId": str(int(time.time())),
"ModelType": 1,
"VoiceType": 101001, # 英语女声
"SampleRate": 16000
}
req.from_json_string(json.dumps(params))
resp = client.TextToVoice(req)
return resp.Audio
except TencentCloudSDKException as err:
print(f"Error creating TTS task: {err}")
return None
def save_audio_to_file(audio, file_path):
with open(file_path, 'wb') as f:
f.write(base64.b64decode(audio))
print(f"Audio saved to {file_path}")
def merge_audio_files(file_paths, output_path):
clips = [mp.AudioFileClip(f) for f in file_paths]
final_clip = mp.concatenate_audioclips(clips)
final_clip.write_audiofile(output_path, codec='mp3')
for f in file_paths:
os.remove(f)
print(f"Merged audio saved to {output_path}")
def main():
cred = credential.Credential(SECRET_ID, SECRET_KEY)
httpProfile = HttpProfile()
httpProfile.endpoint = "http://tts.tencentcloudapi.com"
clientProfile = ClientProfile()
clientProfile.httpProfile = httpProfile
client = tts_client.TtsClient(cred, "ap-guangzhou", clientProfile)
for filename in os.listdir(PDF_FOLDER):
if filename.endswith('.pdf'):
pdf_path = os.path.join(PDF_FOLDER, filename)
print(f"Processing {pdf_path}")
text = extract_text_from_pdf(pdf_path)
if text:
chunks = split_text(text)
audio_files = []
for i, chunk in enumerate(chunks):
audio = create_tts_task(client, chunk)
if audio:
temp_file_path = os.path.join(PDF_FOLDER, f"temp_{i}.mp3")
save_audio_to_file(audio, temp_file_path)
audio_files.append(temp_file_path)
if audio_files:
output_file_path = os.path.join(PDF_FOLDER, os.path.splitext(filename)[0] + '.mp3')
merge_audio_files(audio_files, output_file_path)
else:
print(f"No text extracted from {pdf_path}")
if __name__ == "__main__":
main()
程序运行成功,pdf文本完美的转换为音频文件,朗读音色很自然,和真人非常接近。
回到腾讯云控制台,点击:语音合成资源包,可以查看刚才程序运行消耗的字符数量和剩余字符数量。
可以看到,一本简单的英文绘本消耗了3712个字符,免费的语音合成资源包支持8000000个字符,大概可以转换2000本左右英文绘本。