一、简单介绍
Unity 工具类,自己整理的一些
游戏开发
可能用到的模块,单独独立使用,方便游戏开发。
本节介绍,这里在使用微软的Azure 使用SSML进行
SS语音合成
的音频,并且获取表情嘴型Animation 数据,并且保存到本地,在特定的情况下,用于本地读取音频和表情嘴型Animation 数据,直接使用,避免可能网络访问造成的延迟问题,这里简单说明,如果你有更好的方法,欢迎留言交流。
语音合成标记语言 (SSML) 是一种基于 XML 的标记语言,可用于微调文本转语音输出属性,例如音调、发音、语速、音量等。 与纯文本输入相比,你拥有更大的控制权和灵活性。
可以使用 SSML 来执行以下操作:
-
定义输入文本结构,用于确定文本转语音输出的结构、内容和其他特征。 例如,可以使用 SSML 来定义段落、句子、中断/暂停或静音。 可以使用事件标记(例如书签或视素)来包装文本,这些标记可以稍后由应用程序处理。
-
选择语音、语言、名称、样式和角色。 可以在单个 SSML 文档中使用多个语音。 调整重音、语速、音调和音量。 还可以使用 SSML 插入预先录制的音频,例如音效或音符。
-
控制输出音频的发音。 例如,可以将 SSML 与音素和自定义词典配合使用来改进发音。 还可以使用 SSML 定义单词或数学表达式的具体发音。
下面是 SSML 文档的基本结构和语法的子集:
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="string">
<mstts:backgroundaudio src="string" volume="string" fadein="string" fadeout="string"/>
<voice name="string" effect="string">
<audio src="string"></audio>
<bookmark mark="string"/>
<break strength="string" time="string" />
<emphasis level="value"></emphasis>
<lang xml:lang="string"></lang>
<lexicon uri="string"/>
<math xmlns="http://www.w3.org/1998/Math/MathML"></math>
<mstts:audioduration value="string"/>
<mstts:express-as style="string" styledegree="value" role="string"></mstts:express-as>
<mstts:silence type="string" value="string"/>
<mstts:viseme type="string"/>
<phoneme alphabet="string" ph="string"></phoneme>
<prosody pitch="value" contour="value" range="value" rate="value" volume="value"></prosody>
<say-as interpret-as="string" format="string" detail="string"></say-as>
<sub alias="string"></sub>
</voice>
</speak>
SSML 语音和声音
语音合成标记语言 (SSML) 的语音和声音 - 语音服务 - Azure AI services | Microsoft Learn
官网注册:
面向学生的 Azure - 免费帐户额度 | Microsoft Azure
官网技术文档网址:
技术文档 | Microsoft Learn
官网的TTS:
文本转语音快速入门 - 语音服务 - Azure Cognitive Services | Microsoft Learn
Azure Unity SDK 包官网:
安装语音 SDK - Azure Cognitive Services | Microsoft Learn
SDK具体链接:
https://aka.ms/csspeech/unitypackage
二、实现原理
1、官网申请得到语音合成对应的 SPEECH_KEY 和 SPEECH_REGION
2、然后对应设置 语言 和需要的声音 配置
3、使用 SSML 带有流式获取得到音频数据,在声源中播放或者保存即可,样例如下
public static async Task SynthesizeAudioAsync()
var speechConfig = SpeechConfig.FromSubscription("YourSpeechKey", "YourSpeechRegion");
using var speechSynthesizer = new SpeechSynthesizer(speechConfig, null);
var ssml = File.ReadAllText("./ssml.xml");
var result = await speechSynthesizer.SpeakSsmlAsync(ssml);
using var stream = AudioDataStream.FromResult(result);
await stream.SaveToWaveFileAsync("path/to/write/file.wav");
4、本地保存音频,以及表情嘴型 Animation 数据
// 获取到视频的数据,保存为 .wav
using var stream = AudioDataStream.FromResult(speechSynthesisResult);
await stream.SaveToWaveFileAsync($"./{fileName}.wav");
/// <summary>
/// 嘴型 animation 数据,本地保存为 json 数据
/// </summary>
/// <param name="fileName">保存文件名</param>
/// <param name="content">保存内容</param>
/// <returns></returns>
static async Task CommitAsync(string fileName,string content)
var bits = Encoding.UTF8.GetBytes(content);
using (var fs = new FileStream(
path: @$"d:\temp\{fileName}.json",
mode: FileMode.Create,
access: FileAccess.Write,
share: FileShare.None,
bufferSize: 4096,
useAsync: true))
await fs.WriteAsync(bits, 0, bits.Length);
三、注意事项
1、不是所有的 speechSynthesisVoiceName 都能生成对应的 表情嘴型 Animation 数据
四、实现步骤
这里是直接使用 .Net VS 中进行代码测试
1、在 NuGet 中安装 微软的 Speech 包
2、代码编写实现 SSML 合成语音,并且本地保存对应的 音频文件和表情嘴型 Animation json 数据
3、运行代码,运行完后,就会本地保存对应的 音频文件和表情嘴型 Animation json 数据
4、本地查看保存的数据
五、关键代码
using Microsoft.CognitiveServices.Speech;
using System.Text;
class Program
// This example requires environment variables named "SPEECH_KEY" and "SPEECH_REGION"
static string speechKey = "YOUR_SPEECH_KEY";
static string speechRegion = "YOUR_SPEECH_REGION";
static string speechSynthesisVoiceName = "zh-CN-XiaoxiaoNeural";
static string fileName = "Test" + "Hello";
static string InputAudioContent = "黄河之水天上来,奔流到海不复回"; // 生成的
static int index = 0; // 记录合成的表情口型动画的数据数组个数
static string content="["; // [ 是为了组成 json 数组
async static Task Main(string[] args)
var speechConfig = SpeechConfig.FromSubscription(speechKey, speechRegion);
// 根据需要可以使用更多 xml 配置,让合成的声音更加生动立体
var ssml = @$"<speak version='1.0' xml:lang='zh-CN' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='http://www.w3.org/2001/mstts'>
<voice name='{speechSynthesisVoiceName}'>
<mstts:viseme type='FacialExpression'/>
<mstts:express-as style='friendly'>{InputAudioContent}</mstts:express-as>
</voice>
</speak>";
// Required for sentence-level WordBoundary events
speechConfig.SetProperty(PropertyId.SpeechServiceResponse_RequestSentenceBoundary, "true");
using (var speechSynthesizer = new SpeechSynthesizer(speechConfig))
// Subscribe to events
// 注册表情嘴型数据
speechSynthesizer.VisemeReceived += async (s, e) =>
Console.WriteLine($"VisemeReceived event:" +
$"\r\n\tAudioOffset: {(e.AudioOffset + 5000) / 10000}ms"
+ $"\r\n\tVisemeId: {e.VisemeId}"
// + $"\r\n\tAnimation: {e.Animation}"
if (string.IsNullOrEmpty( e.Animation)==false)
// \r\n, 是为了组合 json 格式
content += e.Animation + "\r\n,";
index++;
// 注册合成完毕的事件
speechSynthesizer.SynthesisCompleted += async (s, e) =>
Console.WriteLine($"SynthesisCompleted event:" +
$"\r\n\tAudioData: {e.Result.AudioData.Length} bytes" +
$"\r\n\tindex: {index} " +
$"\r\n\tAudioDuration: {e.Result.AudioDuration}");
content = content.Substring(0, content.Length-1);
content += "]";
await CommitAsync(fileName, content);
// Synthesize the SSML
Console.WriteLine($"SSML to synthesize: \r\n{ssml}");
var speechSynthesisResult = await speechSynthesizer.SpeakSsmlAsync(ssml);
// 获取到视频的数据,保存为 .wav
using var stream = AudioDataStream.FromResult(speechSynthesisResult);
await stream.SaveToWaveFileAsync(@$"d:\temp\{fileName}.wav");
// Output the results
switch (speechSynthesisResult.Reason)
case ResultReason.SynthesizingAudioCompleted:
Console.WriteLine("SynthesizingAudioCompleted result");
break;
case ResultReason.Canceled:
var cancellation = SpeechSynthesisCancellationDetails.FromResult(speechSynthesisResult);
Console.WriteLine($"CANCELED: Reason={cancellation.Reason}");
if (cancellation.Reason == CancellationReason.Error)
Console.WriteLine($"CANCELED: ErrorCode={cancellation.ErrorCode}");
Console.WriteLine($"CANCELED: ErrorDetails=[{cancellation.ErrorDetails}]");
Console.WriteLine($"CANCELED: Did you set the speech resource key and region values?");
break;
default:
break;
Console.WriteLine("Press any key to exit...");
Console.ReadKey();
/// <summary>
/// 嘴型 animation 数据,本地保存为 json 数据
/// </summary>
/// <param name="fileName">保存文件名</param>
/// <param name="content">保存内容</param>
/// <returns></returns>
static async Task CommitAsync(string fileName,string content)
var bits = Encoding.UTF8.GetBytes(content);
using (var fs = new FileStream(
path: @$"d:\temp\{fileName}.json",
mode: FileMode.Create,
access: FileAccess.Write,
share: FileShare.None,
bufferSize: 4096,
useAsync: true))
await fs.WriteAsync(bits, 0, bits.Length);
Unity 工具类,自己整理的一些游戏开发可能用到的模块,单独独立使用,方便游戏开发。本节介绍,这里在使用微软的Azure 使用SSML进行SS语音合成的音频,并且获取表情嘴型Animation 数据,并且保存到本地,在特定的情况下,用于本地读取音频和表情嘴型Animation 数据,直接使用,避免可能网络访问造成的延迟问题,这里简单说明,如果你有更好的方法,欢迎留言交流。语音合成标记语言 (SSML) 是一种基于 XML 的标记语言,可用于微调文本转语音输出属性,例如音调、发音、语速、音量等。
SALSA使用探索
之前做项目时想做人物说话的嘴部动作,因为我们的语音是AI合成的,语音片段很多,如果能根据语音生成嘴部动画,那将极大便利我们的工作。后面是找到了SALSA的这款插件,并摸索出使用方法。
1 插件介绍
官方网站:https://crazyminnowstudio.com/
一个能做2D纸片人和3D人物模型嘴部和眼睛动画的插件,由两人组成的独立工作室(疯狂米诺工作室)开发。
插件全名为SALSA With RandomEyes,2014年上架Asset Store,目前是已下架,替换为新版本
LipSync是什么?
LipSync是一个基于Unity的独立,轻量化口型匹配解决方案。它可以帮助开发者在Unityy上,用相对少的时间效应实现效果相对令人满意的“口型匹配”功能。的人物模型,口型动画以及语音资源,实现即时的口型匹配功能。您只需要告诉LipSync语音数据的来源,带有口型BlendShape的目标对象以及BlendShape属性名,并进行简单的设置,就能够让你的人物转换语音的播放动起他/她/它的嘴巴。
不过LipSync不是万能的。为了能够愉快而有效地使用LipSync,你需要知道它目前做得到的事情有:
实时地分析语音数据,运用语音识别的一些理论,识别出时间时间帧中这段语音
在Unity中,你可以使用Text-to-Speech(TTS)技术来合成语音。这可以通过以下步骤实现:
1. 首先,你需要选择一个TTS引擎。目前有很多免费和商业的TTS引擎可用,例如Microsoft Azure Cognitive Services、Google Cloud Text-to-Speech等。选择一个适合你需求的引擎,并且按照他们的文档进行注册和设置。
2. 在Unity中创建一个空物体或者使用已存在的物体来管理TTS合成过程。给该物体添加一个脚本。
3. 在脚本中,使用合适的API将文本发送给TTS引擎,并且接收返回的音频数据。
4. 将收到的音频数据转换为Unity中的AudioClip,并且播放出来。
下面是一个简单的示例代码:
```csharp
using UnityEngine;
using UnityEngine.Networking;
using System.Collections;
public class TTSManager : MonoBehaviour
[SerializeField private string apiKey;
[SerializeField private string textToSpeechUrl;
public AudioSource audioSource;
public void SynthesizeText(string text)
StartCoroutine(SynthesizeRequest(text));
private IEnumerator SynthesizeRequest(string text)
string requestUrl = $"{textToSpeechUrl}?key={apiKey}&text={UnityWebRequest.EscapeURL(text)}";
using (UnityWebRequest request = UnityWebRequestMultimedia.GetAudioClip(requestUrl, AudioType.W***))
yield return request.SendWebRequest();
if (request.result == UnityWebRequest.Result.Success)
AudioClip audioClip = DownloadHandlerAudioClip.GetContent(request);
audioSource.clip = audioClip;
audioSource.Play();
Debug.LogError("TTS request failed: " + request.error);
你需要将apiKey和textToSpeechUrl替换为你所选择的TTS引擎的相关信息。然后,你可以在其他脚本中调用TTSManager的SynthesizeText方法,传入要合成的文本。
请注意,这只是一个简单的示例代码,你可能需要根据你选择的TTS引擎的API进行适当的调整和修改。希望对你有所帮助!
Git 常见错误 之 error: src refspec xxx does not match any / error: failed to push some refs to 简单解决方法
118997
Unity HttpClient 之 使用MultipartFormDataContent 发起 内容类型为 multipart/form-data 的数据 Post 请求(正常与流式响应处理)
妲己把画插:
Python 机器学习 基础 之 监督学习 [决策树集成] 算法 的简单说明
普通网友: