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