产品概述

硅基智能声音克隆技术（VoiceCloningTechnology），为客户提供多场景应用下的个性化声音定制服务。采用深度神经网络（DNN）技术，将韵律预测等融入到语音合成模型中，声源者只需提供5-20分钟的清晰言语便可克隆出适应多场景下应用的声音样本。利用迁移学习技术，不仅还原声源本人音色，更具备模仿声源者谈吐方式的功能。迎宾接客，朗诵诗文，情绪安抚等都是该产品理想的适用场景，且支持离线部署方式。

功能描述

语言支持
- 支持中文普通话，数字，大写字母等
语速调节
- 支持1-2倍语速快慢调节；
采样率
- 支持8K、16K两种采样率的合成效果；
音量调节
- 支持±20分贝的音量自主调节；
音频格式
- 支持wav、pcm等音频格式；
音频编码
- 支持8K、16K的单声道音频流，支持16Bit的数据采样精度；

产品优势

价格合理
少量声源数据合成出的大量语句，有效节约时间与人力成本。
高拟人度
硅基智能采用行业领先技术自主构建的语音合成系统，具备合成速度快、合成语音流畅自然等特点，合成音质饱满亲切，音色拟人度高，让设备和应用轻松自然发声。
数据需求量低
仅需5到20分钟的声源录入，便可合成出生动流畅的语音。
深度定制
结合TTS技术，支持不同场景下的多样会话。
离线部署
本地私有化部署，低延迟，保证企业数据安全，私密性强。

接口说明

硅基智能声音克隆服务提供tcp、ws多种通信方式，后端可对接多种引擎，除直接包装代理通信外，还支持对业务的组合包装，满足多种业务使用场景。

ws和tcp接口交互过程分以下几个步骤：
1. 选择通信协议,建立连接, 完成tcp握手,ws协议升级等操作
2. 发送请求参数：Len（长度，4B(字节)）+Endpoint（功能，2B(字节)）+Payload（载荷）
3. 获取返回结果：Len（长度，4B(字节)）+Endpoint（功能，2B(字节)）+Payload（载荷）
4. 循环3-4步骤
5. 完成交互，断开连接，销毁相关资源。
说明：
1. 载荷内容可能是音频流, 可能是json,根据具体接口协定,后面具体请求都会有示例
2. 长度4字节描述是指静载荷长度，不包含包头4B和Endpoint的2B长度
3. Endpoint 指的是功能点，比如154为asr功能，150为tts功能，请求的Endpoint和返回的不相同
4. 包头4B和Endpoint的2B为大端模式
5. 请求和返回次数不是一一对应, 可能多次请求一次返回,或者一次请求多次返回。
6. 可以在建立连接后，正式请求前，建立握手信息，握手信息作用如下：1. 标识请求方的身份 2.方便精确定位 3. 修改本次请求默认配置信息后面会有具体示例

请求示例

合成文本：

参数	格式	样例	说明
包长	数值	130	0~4G
端点	数值	150	0~65535
参数	JSON	{"Text":"您好，我这边给您做一个回访可以吗?","speaker":"maohui","volume":null,"pitch":null,"speech_rate":null}	合成请求speaker:发音人 volume：音量pitch:语调 speech_rate：语速