ASR的全称是Automated Speech Recognition，通俗的说就是语音输入识别。TTS的全称是Text to Speech，也就是从文本到语音的人工合成。在AWS这两个场景分别对应的是Amazon Transcribe服务，以及Amazon Polly服务。
本文的Demo演示ASR功能本机mic输入，以及TTS通过本机扬声器播放合成的语音。
本文提到的相关代码请参考这里：https://github.com/aobao32/asr-transcribe-and-tts-polly-demo
一、Amazon Transcribe 使用
1、Python sample code
MacOS系统安装依赖库：
brew install portaudio
pip3 install pyaudio aiofile asyncio sounddevice amazon-transcribe如果您本机有多个Python版本，请注意确认安装了pip库的Python版本和从开发工具（例如VSCode）运行的Python是同一个版本。否则可能会出现为Python3.12版本安装了pip库，然后VSCode使用Python3.13版本运行代码，就会提示找不到库文件。
(1) 从音频文件生成字幕
目录transcribe-python下的input from file.py是从文件输入，指定一个文件的绝对路径，例如：
AUDIO_PATH = "/Users/username/Documents/MyWorkshop/transcribe/python/speech_demo.wav"然后执行这个python即可。
python3 input_from_file.py(2) 实时语音流生成文本
目录transcribe-python下的input_from_mic.py是从本机mic输入。使用前，需要先进入本机操作系统的音频输入属性界面，从多个输入设备中，选择实际的mic，然后再运行程序。
此外，MacOS等系统的安全机制会询问是否允许Python访问，此时选择允许，即可正常输入语音。如果是Mac电脑，还需要注意在屏幕关闭（俗称屏幕扣着）的时候，机身内置的Mic是永远静音（设备虽然可用但是输入音量也就是电平为0），因此不能扣盖测试。
执行这个python即可。
python3 input_from_mic.py2、Java sample code
安装JDK可使用Amazon Corretto 17，下载目录在本文末尾的文档。此外也可以使用OpenJDK。
MacOS下安装Maven：
brew install maven下载代码，切换到pom.xml文件所在的目录，执行如下程序打包：
mvn package即可在pom.xml所在目录下，生成一个target目录，在其中可找到文件名是ASR-x.x.jar的文件。
执行如下命令运行Java程序：
java -jar target/ASR-1.1-SNAPSHOT.jar3、注意事项
为保证实时短句的输入性能、降低延迟，建议使用如下参数设置：
- 采样率设置为16KHz，即
samplerate=16000 - 输入为单声道，即
channels=1，如果您的设备有多声道，可以现在设备硬件层面通过降噪算法，分离声音，然后输入给Transcribe - 窗口大小建议为1600，即
blocksize=1600
由于输入是短句，因此enable_partial_results_stabilization和partial_results_stability=medium两项参数不需要设置，即不需要传入这两个参数，使用默认值即可获得较好效果。
此外，不建议使用多种语言混合识别场景，短句场景建议识别单一语言，即在传入参数位置指定单一语言。如果您有多语言输入需求，建议结合您的应用程序设计，根据用户Profile配置中选择的当前国家和地区，来规定识别语言。
二、Amazon Polly 使用
1、语音引擎和语种
Amazon Polly现在提供四种语音引擎，分别是：
- 传统
- 神经网络
- 长篇神经网络
- 生成式
传统引擎和神经网络引擎是旧式的发生引擎，长篇引擎适合生成有声书。最新的引擎是生成式引擎，截止2024年12月，尽在AWS美东1、美西2、法兰克福等部分region可用。具体请参考Polly官方文档。
2、Python sample code
安装依赖包环境：
pip3 install pyaudio boto3在polly-python目录下的demo01.py是调用Polly的代码例子。在使用前还需要调整本机默认的音频输出设备，例如笔记本内置扬声器、蓝牙耳机、有线耳机等。本代码将从默认输出设备播放。
执行python3 demo01.py即可获得音频播放。
3、注意事项
在调整Polly生成的音频质量时候，有多种格式可以选择，需要注意的是使用不同引擎，例如传统引擎和神经网络的引擎，输出音频位数有限制。
SSML主要是给传统和神经网络引擎用的，生成式引擎已经自动做了优化。因此，生成式引擎仅支持一部分SSML标签语言，不支持所有的SSML。因此，如果代码提示非法SSML格式，可能原因是使用了当前引擎不支持的SSML标签。
三、参考文档
Transcribe streaming python sample code:
https://github.com/awslabs/amazon-transcribe-streaming-sdk/blob/develop/examples/simple_mic.py
Transcribe streaming 官方文档
https://docs.aws.amazon.com/transcribe/latest/dg/streaming.html
Transcribe Java sdk sample from aws-doc
Amazon Corretto (JDK) 下载：
https://docs.aws.amazon.com/corretto/latest/corretto-17-ug/downloads-list.html
Polly引擎和区域清单：
https://docs.aws.amazon.com/zh_cn/polly/latest/dg/generative-voices.html
SSML标签语言可用引擎清单：