TTS（Text-to-Speech，即文本到语音）技术是将文本信息转化为可听的语音输出的技术。本文重点关注 TTS 在辅助盲人和视障人士阅读文本相关领域。

背景

前几天在 B 站刷到一个视频《【诺子】盲人是如何做饭的？看不见也绝对安全的微波炉料理！》。UP 主是一位盲人。注意到她晚上还会直播，感觉比较好奇，就去看了一下。

她直播是用弹幕机读观众发的弹幕，然后与观众互动的。看了一会儿，正好聊天弹幕机语速有点慢，经常会堆积弹幕。

此时程序员内心戏：随便找个 TTS 库，分分钟搞定。

需求

可能大家不是很能理解要求提高语速是个什么概念。这里先给两段最终效果展示。

默认 pyttsx3 语速上限。（UP 主觉得也有点慢）

【后续看情况补充音频吧】

朗读的内容：这是 pyttsx 3 SAPI 5 最快速度朗读，一般人稍微习惯一下，应该就可以听清朗读的内容了。

下面是急速版最快速度朗读的效果。

【后续看情况补充音频吧】

朗读的内容：这是六倍速，满速朗读的效果，我相信一般没有经过训练的人，是听不清朗读内容的。

这次的目标就是实现支持六倍速朗读的方案。

调研

俗话说，人生苦短，我用 Python。那就开干吧。开始各种尝试

• Paddlespeech： 这个 tts 库应该挺出名的，但是需要安装 CUDA。应该是用了深度学习。想想在 UP 主的环境下安装 CUDA 就不太现实，后面就不考虑神经网络的版本了。

• 互联网厂家 SDK： 像百度，讯飞等，都有自己的 SDK 。大概尝试了一下（其实没有成功）。想着在线版需要云端处理，延时上可能不太能接受。离线版又一直没能成功。就也没考虑了。

• eSpeak NG：是一个自带语音库的 TTS 开源版本。体验就是，espeak 的中文语音库可用性有点差。

• pyttsx3: 这个库倒是不错，一上手就能用。语速也能调节，就是语速上限不满足需求。它使用的是 windows 系统 SAPI 。

到这里，其实已经感觉到这个需求的难度了。可能和这个需求比较小众也有关系吧。要实现一个急速版 TTS 也是那么容易的。

调研读屏软件

想到的另一个方案就是，直接调用 UP 主现在正在使用的读屏软件。想着读屏软件已经实现高语速了，我也就不用已再实现一次了。

• 争渡读屏：这也是 UP 主在用的读屏软件。看了一下正好有 API。但是只有商业版支持 API。商业版现在要 1000 人民币左右。

• NVDA：这是一个开源版本的读屏工具。也有 API 支持。初看非常合适。但由于自身有读屏功能，而 UP 主又同时在使用争渡读屏。会导致同时有两个读屏读取屏幕上的内容，会影响到其它功能的使用。

最终实现

虽然不能直接使用 NVDA ，但是 NVDA 开源啊。并且确实可以急速朗读，那就看 NVDA 源码呗。

发现，NVDA 调用的是 Windows 自带的 Windows OneCore Voices SDK，具体来说是 WinRT 下 Windows.Media.SpeechSynthesis 这个类。

但是我 Windows 开发比较少，经过一番 C++, C# 的 WinRT 苦苦挣扎后，无意间发现 Windows 官方有 winrt 的 python 库。但是好像没有维护了，不过有一个社区的 winsdk 还有维护。然后经过一番调试，就成功实现了。

代码量虽然不大吧，但“分分钟”的事，却花了差不多一周的时间，也是万万没想到的。这么一个简单的需求，居然花了如此长的时间。最后来附上一段样例代码，以及粉丝小企鹅帮忙给 UP 主做的弹幕机 repo： GitHub - xqe2011/danmuji