跳到主要内容

文字转语音（TTS）

功能简介​

TTS（Text-To-Speech，文本转语音）是一种将输入的文字自动转换为可听语音的技术。它通过语言学分析、声学建模和语音合成等步骤，将自然语言文本生成流畅、自然的人声输出。TTS 技术在智能语音助手、服务机器人、人机交互、无障碍阅读等场景中具有广泛应用。

本示例使用 SpacemiT 智算核进行 TTS 模型推理，并将计算结果通过 ROS2 消息发布。

环境准备​

  • 建议使用 Bianbu ROS 操作系统
  • 请确保所有终端默认已经执行了 source /opt/bros/humble/setup.bash

硬件连接​

这里使用的是轮趣科技的 USB 声卡 + 扬声器来验证 TTS 生成的音频，也可以使用其他 USB 扬声器设备。

设备选型注意：

  • 设备应可在 Linux ALSA/PipeWire 下即插即用，无需额外驱动。
  • 需至少支持 44.1 kHz 与 48 kHz 两种采样率，以兼容常见语音模型与音频库（如 PortAudio、PyAudio、librosa 等）。

安装系统依赖项​

sudo apt update
sudo apt install -y libopenblas-dev \
	portaudio19-dev libsndfile1-dev libcurl4-openssl-dev libfftw3-dev espeak-ng \
	python3-dev \
	ffmpeg \
	python3-spacemit-ort \
	libcjson-dev \
	libasound2-dev \
	python3-pip \
	python3-venv

查看播放设备信息​

audioscan

输出示例：

  • 输出设备中 USB Audio Device 为 USB 声卡接口，提供标准双通道（立体声）播放能力，支持 44.1kHz 与 48kHz 两种常用采样率。
  • 注意：在更换 USB 接口或重新插拔设备后，请重新运行设备扫描以确认编号是否发生变化。

TTS 保存到音频文件​

启动 TTS​

运行以下命令启动 TTS 示例，输出的音频保存到 .wav 文件

ros2 launch br_hri tts_to_file.launch.py text:="你好，今天天气怎么样。" save_audio_path:=output.wav

文件保存到当前目录的 output.wav

终端输出示例：

bianbu@bianbu:~$ ros2 launch br_hri tts_to_file.launch.py text:="你好，今天天气怎么样。" save_audio_path:=output.wav
[INFO] [launch]: All log files can be found below /home/bianbu/.ros/log/2025-10-22-14-10-58-405826-bianbu-809614
[INFO] [launch]: Default logging verbosity is set to INFO
[INFO] [tts_file_node-1]: process started with pid [809615]
[tts_file_node-1] [INFO] [1761113459.092624901] [tts_file_node]: Initializing TTS model...
[tts_file_node-1] All TTS models for zh are ready!
[tts_file_node-1] Found cppjieba dictionary at: /opt/third_party/cppjieba/dict
[tts_file_node-1] Warming up TTS models...
[tts_file_node-1] TTS models warmed up successfully in 1822ms
[tts_file_node-1] TTS model initialized (sample rate: 22050Hz)
[tts_file_node-1] Generating TTS for text: 你好，今天天气怎么样。
[tts_file_node-1] [INFO] [1761113480.808658349] [tts_file_node]: Generating speech for: "你好，今天天气怎么样。"
[tts_file_node-1] Saving audio to: output.wav
[tts_file_node-1] Successfully saved 59648 samples to output.wav
[tts_file_node-1] [INFO] [1761113482.394660633] [tts_file_node]: Audio saved to output.wav
[INFO] [tts_file_node-1]: process has finished cleanly [pid 809615]

​

tts_to_file.launch.py 参数说明​

参数名称说明候选值默认值
text传入的需要转为语音的文字自定义你好，这是一个语音合成测试。
save_audio_path结果音频文件的保存完整路径自定义/tmp/tts.wav
tts_type语言种类zh、enzh
tts_speed语速，1.0 为正常速度，＞1.0 加快，＜1.0 放慢＞ 0.01.0
tts_speaker_id说话人 id 标识0、1、2 ...0
target_rms目标 RMS 音量0.05 ~ 0.20.1
compression_ratio动态范围压缩，用来平衡音量高低差异1.0 ~ 4.03.0
use_peak_norm是否对整个生成音频做 RMS 归一化，保持整体音量稳定true、falsefalse

TTS 服务节点​

TTS 服务节点可以接受文本请求，将文本转为音频消息后发布，可以配合音频播放节点实现实时转录播放的效果。

启动服务节点​

ros2 launch br_hri tts_service.launch.py

终端打印：

bianbu@bianbu:~$ ros2 launch br_hri tts_service.launch.py
[INFO] [launch]: All log files can be found below /home/bianbu/.ros/log/2025-10-22-14-23-33-672288-bianbu-809960
[INFO] [launch]: Default logging verbosity is set to INFO
[INFO] [tts_service_node-1]: process started with pid [809961]
[tts_service_node-1] All TTS models for zh are ready!
[tts_service_node-1] Found cppjieba dictionary at: /opt/third_party/cppjieba/dict
[tts_service_node-1] Warming up TTS models...
[tts_service_node-1] TTS models warmed up successfully in 1867ms
[tts_service_node-1] TTS model initialized (sample rate: 22050Hz)
[tts_service_node-1] [INFO] [1761114236.444587109] [tts_service_node]: ✅ TTS service node ready. Waiting for text requests...

启动播放节点​

ros2 launch br_hri player.launch.py \
output_device_index:=2 \
sub_topic:=/tts/audio_frame \
target_sample_rate:=48000

终端打印部分示例：

调用服务​

终端快速调用：

ros2 service call /tts_service jobot_interfaces/srv/TTSInfer "{text: '你好'}"

扬声器有语音输出即为正常。

python代码调用：

import rclpy
from rclpy.node import Node
from jobot_interfaces.srv import TTSInfer

class TTSClient(Node):
    def __init__(self):
        super().__init__('tts_client')
        self.cli = self.create_client(TTSInfer, 'tts_service')
        while not self.cli.wait_for_service(timeout_sec=1.0):
            self.get_logger().info('Service not available, waiting...')

    def send_request(self, text):
        req = TTSInfer.Request()
        req.text = text
        future = self.cli.call_async(req)
        rclpy.spin_until_future_complete(self, future)
        return future.result()

def main(args=None):
    rclpy.init(args=args)
    client = TTSClient()
    response = client.send_request('你好')
    print('Response:', response)  # 根据 TTSInfer 的定义，这里可能是 audio path 或字节数据
    client.destroy_node()
    rclpy.shutdown()

if __name__ == '__main__':
    main()

tts_service.launch.py 参数说明​

参数名称说明候选值默认值
pub_topic发布的音频流话题自定义/tts/audio_frame
tts_type语言种类zh、enzh
tts_speed语速，1.0 为正常速度，＞1.0 加快，＜1.0 放慢＞ 0.01.0
tts_speaker_id说话人 id 标识0、1、2 ...0
target_rms目标 RMS 音量0.05 ~ 0.20.1
compression_ratio动态范围压缩，用来平衡音量高低差异1.0 ~ 4.03.0
use_peak_norm是否对整个生成音频做 RMS 归一化，保持整体音量稳定true、falsefalse