基于百度TTS API的本地TXT转MP3有声书工具开发实践

1. 项目概述：当文字遇见声音

作为一个常年和代码、文档打交道的程序员，我有个挺私人的习惯：喜欢“听”小说。无论是通勤路上，还是做家务、健身的时候，让眼睛休息一下，用耳朵去感受故事的脉络，是种很棒的体验。市面上听书软件不少，但要么需要会员，要么资源库不全，最要命的是，我想听的那些比较小众或者自己收藏的TXT格式小说，往往找不到对应的有声资源。

于是，一个很自然的想法就冒出来了：能不能自己动手，把我电脑里那堆积如山的TXT小说，批量转换成有声书？这个需求的核心很简单：输入一个TXT文件，输出一个MP3音频文件。实现路径上，语音合成（TTS）技术是关键。经过一番调研和对比，我选择了百度的语音合成开放平台。原因有几个：首先，它的API接口清晰，文档完善，对于开发者非常友好；其次，提供了多种音色选择，包括情感合成等进阶功能，效果在免费方案中属于第一梯队；最后，它支持Python SDK，这正是我最熟悉的语言，可以快速集成和调试。

这个项目，本质上是一个本地化的TXT转MP3工具。它不依赖任何现成的听书APP，完全由你自己掌控。你可以用它来处理任意TXT文本，无论是网络小说、技术文档，还是学习资料，都能一键转换为语音。下面，我就把从零开始搭建这个工具的全过程，包括API申请、环境配置、代码编写、批量处理以及我踩过的各种坑，毫无保留地分享出来。

2. 核心思路与方案选型

在动手写代码之前，我们需要把整个流程想清楚。一个健壮的TXT朗读工具，不能只是简单调用API，还要考虑文本处理、错误重试、流程优化等实际问题。

2.1 为什么选择百度语音合成？

市面上提供TTS服务的厂商很多，比如科大讯飞、阿里云、腾讯云等。我选择百度智能云，是基于以下几个维度的综合考量：

1. 入门门槛与成本：百度语音合成对新用户非常友好。注册实名认证后，会赠送一定额度的免费调用量（通常是每月一定次数的调用和一定时长的音频生成）。对于个人将小说转换成音频这种非高频需求，免费额度完全够用，甚至绰绰有余。这让我们可以在零成本的情况下，先验证想法和效果。
2. 合成效果与音色：百度的语音合成效果，在清晰度、自然度上表现不错。它提供了多种音色（度小美、度小宇、度逍遥等），并且支持调节语速、音调、音量。虽然和顶尖的真人配音有差距，但对于小说朗读这种长时间聆听的场景，其稳定、清晰、略带情感的表现已经足够满足需求。
3. 技术集成难度：百度提供了非常详细的官方文档和Python SDK (baidu-aip)。安装只需要一条pip命令，核心的合成接口调用也不过几行代码。这极大地降低了开发难度，让我们可以把精力集中在业务逻辑（如文本分割、文件管理）上，而不是纠结于复杂的网络协议和认证。
4. 稳定性和可靠性：作为大厂的开放平台，其API服务的稳定性和可用性是有保障的，不必担心小服务商随时可能关闭服务的风险。

注意：使用任何云服务的API，都需要仔细阅读其服务条款和计费说明。虽然初期有免费额度，但如果你需要处理海量文本（例如整个图书馆的小说），就要关注可能产生的费用，并设置好用量监控。

2.2 整体工作流设计

我们的工具需要像一个流水线一样工作。下图清晰地展示了从一本TXT小说到最终MP3音频集合的完整转换流程：

flowchart TD A[输入: 原始TXT小说文件] --> B{文本预处理与分割}; B --> C[生成文本片段列表]; C --> D[循环处理每个片段]; D --> E{调用百度TTS API}; E -- 成功 --> F[获取音频二进制数据]; E -- 失败 --> G{错误处理与重试}; G -- 重试N次后 --> H[记录失败片段]; G -- 重试成功 --> F; F --> I[保存为临时MP3文件]; I --> J{是否所有片段处理完成?}; J -- 否 --> D; J -- 是 --> K[合并所有临时MP3]; K --> L[输出: 最终完整MP3文件]; H --> M[生成错误报告日志];

这个流程的核心思想是“分而治之”。因为单次API调用有文本长度限制（百度目前是1024个汉字），所以我们必须将长文本切割成小块，逐块合成，最后再拼接起来。同时，网络请求可能失败，完善的错误处理和重试机制是保证工具鲁棒性的关键。

3. 前期准备与环境搭建

磨刀不误砍柴工。在写代码之前，我们需要先把“战场”布置好。

3.1 创建百度智能云应用并获取密钥

这是使用百度任何AI服务的第一步，相当于给你的程序办一张“身份证”。

1. 注册与登录：访问百度AI开放平台官网，用你的百度账号登录。如果没有，需要先注册。
2. 创建应用：进入控制台，在“语音技术”类别下，找到“语音合成”，点击“创建应用”。填写应用名称（例如“我的TXT朗读工具”）、应用描述，选择“个人”即可。
3. 获取API Key和Secret Key：应用创建成功后，在应用详情页面，你会看到AppID、API Key和Secret Key。这三者就是我们代码中用来认证的凭证。请务必妥善保管，不要泄露。你可以把它们记录在一个本地的config.ini文件里，但切记不要上传到GitHub等公开仓库。

3.2 本地Python环境配置

我推荐使用Python 3.8或以上版本，版本太旧可能会遇到依赖库兼容性问题。

1. 安装必备库：我们主要需要两个库。

   pip install baidu-aip pydub

   • baidu-aip: 百度AI开放平台的官方Python SDK，封装了认证和请求的细节，让我们用起来非常简单。
   • pydub: 一个强大的音频处理库，我们将用它来合并多个MP3文件，以及进行简单的音频处理（如调节音量、淡入淡出）。

2. 可选但推荐的库：

   pip install tqdm

   • tqdm: 可以在命令行中显示美观的进度条。当处理一本几十万字的小说，需要合成上百个音频片段时，有一个进度条会让你清楚知道进展到哪了，预计还要多久，体验会好很多。

3.3 项目目录结构规划

一个好的目录结构能让代码更清晰，文件管理更方便。建议在开始前就创建好如下目录：

txt_to_speech/ ├── src/ # 源代码目录 │ ├── main.py # 主程序入口 │ ├── tts_engine.py # 语音合成核心模块 │ └── file_utils.py # 文件处理工具模块 ├── input/ # 存放待处理的TXT小说 │ └── 《三体》.txt ├── output/ # 存放生成的MP3文件 │ └── 《三体》_full.mp3 ├── temp/ # 存放合成过程中的临时音频片段 │ ├── 《三体》_part_001.mp3 │ └── ... ├── logs/ # 存放运行日志和错误报告 │ └── error_20231027.log ├── config.ini # 配置文件（存放API密钥，.gitignore忽略） └── requirements.txt # 项目依赖库列表

你可以先手动创建input、output、temp、logs这几个空文件夹。

4. 核心代码实现与解析

接下来，我们进入最核心的编码环节。我会将功能模块化，便于理解和维护。

4.1 配置文件读取模块

首先，我们创建一个config.ini文件来安全地存储密钥。

[baidu_tts] APP_ID = 你的AppID API_KEY = 你的API Key SECRET_KEY = 你的Secret Key [tts_settings] # 发音人选择，0为女声，1为男声，3为情感合成-度逍遥，4为情感合成-度丫丫 PER = 3 # 语速，0-15，默认为5中语速 SPD = 5 # 音调，0-15，默认为5中语调 PIT = 5 # 音量，0-15，默认为5中音量 VOL = 7 # 音频格式，3为mp3，4为pcm-16k，5为pcm-8k，6为wav AUE = 3 [file_settings] # 每次请求合成的最大文本长度（汉字） MAX_TEXT_LEN = 800 # 临时文件前缀 TEMP_PREFIX = temp_part_

然后，编写一个简单的函数来读取配置。

# file_utils.py import configparser import os def load_config(config_path='config.ini'): """加载配置文件""" config = configparser.ConfigParser() if not os.path.exists(config_path): raise FileNotFoundError(f"配置文件 {config_path} 不存在，请创建并填写API密钥。") config.read(config_path, encoding='utf-8') return config

4.2 语音合成引擎模块

这是项目的核心，负责与百度API交互。

# tts_engine.py from aip import AipSpeech import os from file_utils import load_config class TtsEngine: def __init__(self, config_path='config.ini'): config = load_config(config_path) bd_cfg = config['baidu_tts'] tts_cfg = config['tts_settings'] # 初始化AipSpeech客户端 self.client = AipSpeech(bd_cfg['APP_ID'], bd_cfg['API_KEY'], bd_cfg['SECRET_KEY']) # 合成参数 self.per = tts_cfg.getint('PER', 3) self.spd = tts_cfg.getint('SPD', 5) self.pit = tts_cfg.getint('PIT', 5) self.vol = tts_cfg.getint('VOL', 7) self.aue = tts_cfg.getint('AUE', 3) self.max_text_len = config['file_settings'].getint('MAX_TEXT_LEN', 800) # 音频格式映射 self.fmt_map = {3: 'mp3', 4: 'pcm', 5: 'pcm', 6: 'wav'} self.fmt = self.fmt_map.get(self.aue, 'mp3') def synthesize(self, text, idx=0): """ 调用百度API合成单段语音 :param text: 待合成的文本 :param idx: 片段索引，用于错误信息提示 :return: 成功返回音频二进制数据，失败返回None """ try: result = self.client.synthesis( text, 'zh', # 固定为中文 self.per, {'spd': self.spd, 'pit': self.pit, 'vol': self.vol, 'aue': self.aue} ) # 识别返回结果 if not isinstance(result, dict): # 返回的是二进制数据，合成成功 return result else: # 返回的是错误信息字典 error_msg = result.get('error_msg', 'Unknown error') print(f" 片段 {idx} 合成失败: {error_msg}") return None except Exception as e: print(f" 片段 {idx} 请求异常: {e}") return None def save_audio(self, audio_data, file_path): """将二进制音频数据保存为文件""" with open(file_path, 'wb') as f: f.write(audio_data)

关键点解析：

• AipSpeech是百度SDK的核心类，初始化时需要三个密钥。
• synthesis方法的参数中，per（发音人）的选择直接影响听感。3（度逍遥）和4（度丫丫）是情感合成音色，朗读小说时抑扬顿挫更明显，推荐使用。
• API返回有两种情况：成功时直接返回二进制音频数据（bytes类型），失败时返回一个包含错误码的dict。我们的代码需要对此进行判断。
• MAX_TEXT_LEN我设置为800，略低于1024的限制，是为了给标点符号、英文单词留出余量，避免因长度计算误差导致API报错。

4.3 文本预处理与分割模块

TXT文件可能包含各种“杂质”，并且必须被切割成适合API调用的小块。

# file_utils.py (续) import re def clean_text(text): """清洗文本，移除不必要的字符和空行""" # 移除 \r text = text.replace('\r\n', '\n').replace('\r', '\n') # 移除过多的连续换行（保留最多两个） text = re.sub(r'\n{3,}', '\n\n', text) # 移除首尾空白字符 text = text.strip() return text def split_text_by_length(text, max_len): """ 按最大长度分割文本，尽量保证按段落分割。 :param text: 清洗后的完整文本 :param max_len: 单段最大长度（汉字数） :return: 文本片段列表 """ paragraphs = text.split('\n') chunks = [] current_chunk = "" for para in paragraphs: para = para.strip() if not para: continue # 跳过空段落 # 如果当前段落本身就超长，强制按字数切割 if len(para) > max_len: if current_chunk: chunks.append(current_chunk) current_chunk = "" # 将长段落切成小块 for i in range(0, len(para), max_len): chunk = para[i:i+max_len] chunks.append(chunk) else: # 如果加上新段落后不超过限制，就加上 if len(current_chunk) + len(para) + 1 <= max_len: # +1 是换行符 if current_chunk: current_chunk += '\n' + para else: current_chunk = para else: # 否则，保存当前块，开始新块 if current_chunk: chunks.append(current_chunk) current_chunk = para # 添加最后一块 if current_chunk: chunks.append(current_chunk) # 二次检查：防止有块因计算误差仍超长（罕见情况） final_chunks = [] for chunk in chunks: while len(chunk) > max_len: # 找最后一个句号、问号、感叹号或逗号进行分割 split_pos = -1 for punct in ['。', '！', '？', '，', '；', '.', '!', '?', ',', ';']: pos = chunk.rfind(punct, 0, max_len) if pos > split_pos: split_pos = pos if split_pos == -1: # 找不到标点，只能硬切 split_pos = max_len final_chunks.append(chunk[:split_pos+1]) chunk = chunk[split_pos+1:] final_chunks.append(chunk) return final_chunks

实操心得：

• 简单的按固定字数切割会破坏句子结构，导致合成语音在奇怪的地方停顿。因此，我采用了“尽量按段落合并，超长段落再按标点切割”的策略。这能最大程度保证合成音频的连贯性。
• 计算文本长度时，使用len(text)在Python 3中计算的是字符数，对于中英文混合是准确的。如果你需要精确的汉字数，可以用正则len(re.findall(r'[\u4e00-\u9fff]', text))，但对于长度控制，字符数已经足够。

4.4 主程序流程控制模块

现在，我们把所有模块像拼图一样组合起来。

# main.py import os import sys from pathlib import Path from tts_engine import TtsEngine from file_utils import clean_text, split_text_by_length, load_config from pydub import AudioSegment import logging from tqdm import tqdm # 进度条 def setup_logging(log_dir='logs'): """设置日志""" if not os.path.exists(log_dir): os.makedirs(log_dir) log_file = os.path.join(log_dir, f'tts_{Path(__file__).stem}.log') logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[ logging.FileHandler(log_file, encoding='utf-8'), logging.StreamHandler(sys.stdout) ] ) return logging.getLogger(__name__) def merge_audio_files(file_list, output_path, temp_dir): """使用pydub合并多个音频文件""" logger = logging.getLogger(__name__) combined = AudioSegment.empty() for i, file in enumerate(file_list): try: audio = AudioSegment.from_file(file) # 可选：在片段间添加短暂的静音（如200毫秒），使章节间停顿更自然 # if i > 0: # combined += AudioSegment.silent(duration=200) combined += audio logger.debug(f"已合并: {file}") except Exception as e: logger.error(f"合并文件 {file} 时出错: {e}") # 即使某个片段损坏，也尝试继续合并其余部分 continue finally: # 合并后删除临时文件 try: os.remove(file) except: pass # 导出最终文件 try: combined.export(output_path, format='mp3', bitrate='128k') logger.info(f"最终音频文件已保存至: {output_path}") # 清理空临时目录 if os.path.exists(temp_dir) and not os.listdir(temp_dir): os.rmdir(temp_dir) except Exception as e: logger.error(f"导出最终文件失败: {e}") def main(): logger = setup_logging() config = load_config() # 1. 初始化TTS引擎 logger.info("初始化百度TTS引擎...") try: tts_engine = TtsEngine() except Exception as e: logger.error(f"初始化TTS引擎失败，请检查配置文件: {e}") sys.exit(1) # 2. 指定输入文件 input_dir = Path('input') txt_files = list(input_dir.glob('*.txt')) if not txt_files: logger.error(f"在 '{input_dir}' 目录下未找到任何TXT文件。") sys.exit(1) for txt_file in txt_files: logger.info(f"开始处理文件: {txt_file.name}") # 3. 读取并清洗文本 try: with open(txt_file, 'r', encoding='utf-8') as f: raw_text = f.read() except UnicodeDecodeError: # 尝试GBK编码（常见于Windows系统保存的TXT） try: with open(txt_file, 'r', encoding='gbk') as f: raw_text = f.read() except Exception as e: logger.error(f"无法读取文件 {txt_file}， 请检查编码: {e}") continue cleaned_text = clean_text(raw_text) if not cleaned_text: logger.warning(f"文件 {txt_file.name} 内容为空，跳过。") continue # 4. 分割文本 text_chunks = split_text_by_length(cleaned_text, tts_engine.max_text_len) total_chunks = len(text_chunks) logger.info(f"文本分割完成，共 {total_chunks} 个片段。") # 5. 准备输出目录 output_dir = Path('output') temp_dir = Path('temp') / txt_file.stem output_dir.mkdir(exist_ok=True) temp_dir.mkdir(parents=True, exist_ok=True) output_file = output_dir / f"{txt_file.stem}_full.mp3" temp_file_list = [] # 6. 逐片段合成（带进度条） logger.info("开始语音合成...") failed_indices = [] for idx, chunk in enumerate(tqdm(text_chunks, desc="合成进度", unit="段")): temp_file_path = temp_dir / f"{config['file_settings'].get('TEMP_PREFIX')}{idx:04d}.mp3" # 如果临时文件已存在（可能是上次运行中断），则跳过合成 if temp_file_path.exists(): logger.debug(f"片段 {idx} 已存在，跳过合成。") temp_file_list.append(str(temp_file_path)) continue # 合成音频，加入重试机制 max_retries = 3 audio_data = None for retry in range(max_retries): audio_data = tts_engine.synthesize(chunk, idx) if audio_data is not None: break else: logger.warning(f"片段 {idx} 第 {retry+1} 次重试...") time.sleep(1) # 失败后等待1秒再重试 if audio_data: tts_engine.save_audio(audio_data, temp_file_path) temp_file_list.append(str(temp_file_path)) else: logger.error(f"片段 {idx} 合成失败，已重试 {max_retries} 次。") failed_indices.append(idx) # 7. 合并音频 if temp_file_list: logger.info(f"开始合并 {len(temp_file_list)} 个音频片段...") merge_audio_files(sorted(temp_file_list), output_file, temp_dir) logger.info(f"文件 {txt_file.name} 处理完成！") else: logger.error(f"未成功合成任何音频片段，处理失败。") # 8. 报告失败情况 if failed_indices: logger.warning(f"本次处理中有 {len(failed_indices)} 个片段失败，索引为: {failed_indices}") error_log_path = Path('logs') / f"failed_{txt_file.stem}.txt" with open(error_log_path, 'w', encoding='utf-8') as f: for idx in failed_indices: if idx < len(text_chunks): f.write(f"=== 失败片段索引 {idx} ===\n") f.write(text_chunks[idx][:500] + "...\n\n") # 只记录前500字符便于排查 logger.info(f"失败片段文本已保存至: {error_log_path}") if __name__ == '__main__': import time main()

5. 进阶优化与实用技巧

基础功能跑通后，我们可以从体验和效率上做很多优化。

5.1 音色、语速与效果的调优

在config.ini的[tts_settings]里调整参数，对最终听感影响巨大。

• 发音人 (PER)：

  • 0(度小美)：清晰女声，通用。
  • 1(度小宇)：清晰男声，通用。
  • 3(度逍遥)：情感合成男声。这是我朗读小说的首选，声音沉稳，有讲故事的感觉，停顿和重音处理得更好。
  • 4(度丫丫)：情感合成童声，适合儿童读物或轻松内容。
  • 建议：对于小说，强烈推荐3(度逍遥)。可以先用一小段文本测试不同音色。

• 语速 (SPD)：

  • 范围0(最慢) 到15(最快)，默认5。
  • 我个人习惯设为4或5。太慢容易睡着，太快则听不清。你可以根据小说类型调整，比如紧张的情节可以稍快 (6)，抒情的部分可以稍慢 (4)。

• 音调 (PIT)：

  • 范围0(最低) 到15(最高)，默认5。
  • 一般保持默认即可。调高会显得更尖锐，调低更低沉。可以根据主角性别微调，但效果有限。

• 音量 (VOL)：

  • 范围0(最轻) 到15(最响)，默认5。
  • 建议设为7或8。合成后的音频整体音量可能偏小，提高基础音量可以避免后续再用播放器放大。

5.2 实现章节自动分割与命名

如果TXT小说本身有清晰的章节标题（如“第一章”、“第1节”），我们可以实现按章节分割，生成多个MP3文件，方便管理。

# 在 file_utils.py 中添加 import re def split_text_by_chapter(text): """ 按章节分割文本（基于常见章节标题模式） :param text: 清洗后的完整文本 :return: 字典列表，每个元素包含章节标题和内容 """ # 定义章节标题的正则表达式模式（可根据你的小说格式调整） chapter_patterns = [ r'^\s*第[零一二三四五六七八九十百千万\d]+章\s+.*$', r'^\s*第[零一二三四五六七八九十百千万\d]+节\s+.*$', r'^\s*[上下卷]\s+.*$', r'^\s*\d+\s+.*$', # 纯数字开头 ] combined_pattern = '|'.join(chapter_patterns) lines = text.split('\n') chapters = [] current_chapter_title = "前言" # 默认第一章之前的标题 current_chapter_content = [] for line in lines: line_stripped = line.strip() # 检查是否是章节标题行 if line_stripped and re.match(combined_pattern, line_stripped): # 保存上一章 if current_chapter_content: chapters.append({ 'title': current_chapter_title, 'content': '\n'.join(current_chapter_content) }) # 开始新的一章 current_chapter_title = line_stripped current_chapter_content = [] else: current_chapter_content.append(line) # 添加最后一章 if current_chapter_content: chapters.append({ 'title': current_chapter_title, 'content': '\n'.join(current_chapter_content) }) return chapters

然后在主程序中，可以遍历chapters列表，为每一章调用合成和合并流程，并以章节标题命名最终文件。

5.3 使用多线程/异步加速批量处理

当你有几十本小说需要转换时，顺序执行会非常慢。因为大部分时间花在等待网络API返回上，CPU是空闲的。我们可以用多线程来并发请求。

警告：请谨慎使用多线程，并尊重API的QPS（每秒查询率）限制。百度免费版API有并发限制，疯狂请求可能导致IP被临时限制。建议控制线程数（如3-5个），并在请求间添加微小延迟。

# 示例：使用concurrent.futures实现线程池 from concurrent.futures import ThreadPoolExecutor, as_completed import time def synthesize_chunk_worker(args): """供线程池调用的工作函数""" idx, chunk, tts_engine, temp_dir, prefix = args temp_file_path = temp_dir / f"{prefix}{idx:04d}.mp3" if temp_file_path.exists(): return idx, str(temp_file_path), True # 已存在 audio_data = None for retry in range(3): audio_data = tts_engine.synthesize(chunk, idx) if audio_data: break time.sleep(1) if audio_data: tts_engine.save_audio(audio_data, temp_file_path) return idx, str(temp_file_path), False # 成功 else: return idx, None, False # 失败 # 在主程序合成部分替换循环 max_workers = 3 # 控制并发数 with ThreadPoolExecutor(max_workers=max_workers) as executor: # 准备任务参数 tasks = [(idx, chunk, tts_engine, temp_dir, config['file_settings'].get('TEMP_PREFIX')) for idx, chunk in enumerate(text_chunks)] # 提交任务 future_to_idx = {executor.submit(synthesize_chunk_worker, task): task[0] for task in tasks} # 处理结果 for future in tqdm(as_completed(future_to_idx), total=len(tasks), desc="并发合成"): idx, file_path, existed = future.result() if file_path: temp_file_list.append(file_path) else: failed_indices.append(idx)

6. 常见问题与故障排除

在实际操作中，你几乎一定会遇到下面这些问题。这里是我踩坑后的经验总结。

6.1 合成失败错误码解析

调用API失败时，返回的字典中包含error_code和error_msg。以下是一些常见错误及解决方法：

排查顺序：遇到错误，首先检查3303权限问题，然后检查3300参数问题，最后考虑3301和网络问题。

6.2 音频合并出错或音量不一致

• 问题：使用pydub合并后，发现某些片段音量特别小或特别大。

• 原因：不同片段合成时，API返回的音频基础音量可能存在细微差异。

• 解决：在合并前，可以对每个音频片段进行音量归一化。

  from pydub.effects import normalize def merge_audio_files_with_normalization(file_list, output_path): combined = AudioSegment.empty() for file in file_list: audio = AudioSegment.from_file(file) # 进行音量归一化处理 audio = normalize(audio) combined += audio combined.export(output_path, format='mp3')

  normalize()函数会将音频增益调整到最大不失真的水平，使所有片段的响度一致。

• 问题：合并后的文件无法播放，或时长不对。

• 原因：可能某个临时音频文件在合成或保存时已损坏。

• 解决：在合并循环中加入更严格的异常捕获，并记录损坏的文件名。或者，在合成每个片段后，立即用AudioSegment.from_file()尝试加载一下，验证文件完整性。

6.3 处理超长文本与内存管理

• 问题：小说非常长（如500万字），分割出的片段上万，导致内存占用过高。
• 解决：
  1. 流式合并：不要等所有片段合成完再合并。可以每合成N个（如100个）就合并一次，生成一个“子文件”，最后再将所有子文件合并。这样可以显著降低内存峰值。
  2. 调整分割长度：适当增加MAX_TEXT_LEN（但不要超过1024），减少总片段数。
  3. 及时清理：在主程序中，合并完一个章节或一定数量片段后，立即删除对应的临时文件。

6.4 音质与网络优化

• 问题：合成的MP3音质有杂音或机械感强。
• 解决：
  1. 调整发音人：情感合成音色（per=3或4）通常比标准音色更自然。
  2. 调整语速和音调：适当降低语速 (spd=4)，音调保持默认 (pit=5)，会让合成音更清晰。
  3. 选择更高码率：百度API合成的MP3默认似乎是中等码率。虽然无法直接指定，但你可以用pydub在合并导出时选择更高的比特率，如bitrate='192k'或'256k'。不过要注意，这并不会提升原始合成音质，只是减少了导出时的二次压缩损失。
• 网络问题：如果合成速度慢，可以尝试在AipSpeech初始化时设置超时和重试。

  from aip import AipSpeech client = AipSpeech(app_id, api_key, secret_key) # 设置连接超时和读取超时（单位：秒） client.setConnectionTimeoutInMillis(5000) client.setSocketTimeoutInMillis(10000)

7. 项目总结与扩展思路

走到这里，一个功能完整、鲁棒性不错的本地TXT转语音工具就已经搭建完成了。回顾整个过程，从API申请到代码调试，最花时间的往往不是核心的合成调用，而是文本预处理、错误处理和流程优化这些“边缘”细节。这也正是个人项目从“能用”到“好用”的关键。

我个人在实际使用中，通常会将这个脚本稍作包装，比如添加一个简单的命令行界面，让我可以指定输入文件、选择音色和输出目录。或者，更进一步，可以做一个带有图形界面（用Tkinter或PyQt）的小工具，拖拽文件即可转换，体验会更友好。

这个项目的扩展潜力很大。例如，你可以：

1. 集成更多TTS引擎：将百度、阿里、讯飞的API都封装进来，做一个统一的接口，哪个效果好、哪个有免费额度就用哪个。
2. 添加字幕文件生成：在合成每个片段时，记录其时间偏移和对应的文本，最终生成SRT或LRC格式的字幕文件，实现“有声书+字幕”同步。
3. 云端部署与自动化：将脚本部署到云服务器，配合网盘API（如百度网盘、Dropbox），实现自动监测网盘特定文件夹，有新TXT文件就自动转换并回传MP3，打造全自动的个人有声书库。

最后，再分享一个我踩过的小坑：标点符号的处理。有些TXT文件使用全角标点，有些用半角，还有的混用。这可能会导致文本长度计算不准，或者合成语音停顿怪异。在clean_text函数中，可以加入一步标点标准化，比如将所有中文标点统一为全角，英文标点统一为半角，会让合成效果更稳定。