大家好，我是人入入让人说工程师阿凯。上一篇我们实现了极简版AI数字人，门系核心用的列百是pyttsx3离线文字转语音（TTS），但很多朋友反馈“中文语音不自然”“没有多样的度线发音人选择”。今天是话更系列第2篇，我们就解决这个问题——接入百度智能云在线TTS，数字数字让数字人拥有更流畅、人入入让人说更多样的门系中文语音能力。

先简单对比下离线TTS和在线TTS的列百核心差异：离线TTS（如pyttsx3）无需联网，但语音自然度低、度线发音人少；在线TTS（如百度、话更阿里、数字数字腾讯）依赖网络，人入入让人说却能提供接近真人的门系语音效果，还支持情感语音、方言等，更适合商业化数字人场景。今天我们选百度智能云TTS，原因很简单：免费额度充足（新用户有100万次免费调用）、接入流程简单、中文语音效果优质。

核心目标：替换上一篇的离线TTS模块，保留虚拟形象显示功能，实现“文字→百度在线TTS合成语音→播放语音+显示虚拟形象”的完整流程。话不多说，直接上实操步骤。

一、前置准备：获取百度智能云TTS密钥（关键步骤）

要使用百度在线TTS，首先需要注册百度智能云账号并创建应用，获取API密钥（AK）和Secret Key（SK），步骤如下：

1. 打开百度智能云官网（https://cloud.baidu.com/），注册并登录账号（支持手机号快速注册）；

2. 搜索“语音技术”，进入语音技术产品页面，点击“立即使用”进入控制台；

3. 在控制台左侧导航栏选择“应用管理→创建应用”，填写应用名称（如“AI数字人TTS”），应用类型选“语音合成”，其他信息按需填写，点击“创建”；

4. 应用创建成功后，在应用列表中找到刚创建的应用，复制“API Key”和“Secret Key”，后续代码会用到（这两个密钥要妥善保存，不要泄露）。

二、环境准备（补充依赖库）

上一篇我们已经安装了opencv-python、numpy，这一篇需要额外安装百度智能云SDK和音频播放库，命令行输入以下指令：

pip install baidu-aip # 百度智能云Python SDK pip install playsound # 音频播放库（支持mp3格式） pip install mutagen # 辅助处理音频文件（解决playsound兼容问题）

温馨提示：如果安装playsound后报错，可尝试安装指定版本：pip install playsound==1.2.2

三、完整代码（接入百度TTS+虚拟形象显示）

代码在第1篇的基础上修改，核心替换了TTS模块，保留了虚拟形象显示逻辑，带详细注释，新手可直接复制使用：

# 导入依赖库 from aip import AipSpeech # 百度TTS SDK import cv2 import numpy as np from playsound import playsound import os # 1. 配置百度TTS参数（替换成你的AK和SK） APP_ID = 你的APP_ID # 第一步创建应用时的APP_ID API_KEY = 你的API_KEY # 复制的API Key SECRET_KEY = 你的SECRET_KEY # 复制的Secret Key # 初始化百度TTS客户端 client = AipSpeech(APP_ID, API_KEY, SECRET_KEY) # 2. 调用百度TTS合成语音（保存为mp3文件） def baidu_tts(text, output_file=digital_human_voice.mp3): # 调用百度API合成语音 # 参数说明： # tex：要合成的文本（支持中文，长度≤1024字） # lang：语言（zh为中文，en为英文） # ctp：客户端类型（1为web端） # per：发音人选择（0-女声，1-男声，3-情感女声，4-情感男声，5-少儿声） result = client.synthesis( text=text, lang=zh, ctp=1, per=3 # 这里选情感女声，可根据需求修改 ) # 处理合成结果 if not isinstance(result, dict): # 合成成功（失败会返回字典） with open(output_file, wb) as f: f.write(result) print(f"语音合成成功，已保存为{ output_file}") return output_file else: print(f"语音合成失败：{ result[err_msg]}") return None # 3. 播放语音并同步显示虚拟形象（优化版） def run_digital_human_with_baidu_tts(text, avatar_path): # 第一步：合成语音 voice_file = baidu_tts(text) if voice_file is None: # 语音合成失败则直接退出 return # 第二步：读取并处理虚拟形象图片 avatar = cv2.imread(avatar_path) if avatar is None: print("错误：未找到虚拟形象图片，请检查路径！") os.remove(voice_file) # 合成的语音文件删除 return # 调整图片大小（适配屏幕） avatar = cv2.resize(avatar, (640, 960)) # 第三步：同步播放语音和显示虚拟形象 print(f"数字人发言：{ text}") # 启动线程播放语音（避免播放时画面卡顿） import threading play_thread = threading.Thread(target=playsound, args=(voice_file,)) play_thread.start() # 循环显示虚拟形象，语音播放完或按ESC键退出 while play_thread.is_alive(): # 只要语音还在播放，就显示图片 cv2.imshow(百度TTS版AI数字人, avatar) if cv2.waitKey(1) & 0xFF == 27: # 按ESC键强制退出 break # 释放资源 cv2.destroyAllWindows() os.remove(voice_file) # 删除临时语音文件，节省空间 # 4. 主函数（程序入口） if __name__ == "__main__": # 数字人要讲的话（支持更长文本，百度TTS单段≤1024字） speak_text = "大家好，我现在用的是百度在线TTS语音。相比离线语音，我的发音更自然，还能带有情感哦。后续我们还会实现唇形同步，让我说话更逼真。" # 虚拟形象图片路径（和上一篇保持一致，无需重新准备） avatar_path = "avatar.jpg" # 运行数字人 run_digital_human_with_baidu_tts(speak_text, avatar_path)

四、关键说明与问题解决

1. 核心优化点解析：

- 发音人可选：代码中per参数设为3（情感女声），还可改为0（普通女声）、1（普通男声）、4（情感男声）、5（少儿声），不同发音人风格差异明显，大家可自行测试；

- 避免卡顿：用多线程分离语音播放和画面显示，解决了上一篇“先播放语音再显示画面”的不同步问题；

- 临时文件清理：合成的语音文件播放完后自动删除，避免占用本地空间。

2. 常见问题解决：

- 密钥错误：提示“invalid api key”，检查APP_ID、API_KEY、SECRET_KEY是否复制正确，确保没有多余空格；

- 语音播放失败：若提示“no module named win32api”，安装依赖：pip install pywin32；Mac/Linux用户若playsound兼容问题无法解决，可替换为simpleaudio库（pip install simpleaudio），并修改播放语音的代码为simpleaudio.play_buffer；

- 调用额度不足：新用户有100万次免费调用，足够测试使用；若额度用完，可切换到阿里、腾讯等其他平台的在线TTS（后续可能会出对应教程）。

五、系列预告（第3篇核心内容）

解决了语音自然度问题后，下一篇我们将攻克“唇形同步”——让数字人的嘴唇动作和语音完美匹配。核心思路是通过语音节奏分析，驱动虚拟形象的嘴唇做出“啊、哦、额”等对应动作，让数字人说话更有代入感。

今天的内容就到这里，重点是帮大家掌握在线TTS的接入逻辑，这是AI数字人走向“逼真”的关键一步。如果运行代码时遇到任何问题，欢迎在评论区留言，我会第一时间回复。记得关注专栏，下一篇我们继续优化数字人，实现唇形同步！

本文地址：https://www.45854.cn/news/3e799989.html