---

背景与痛点

在企业IVR、智能外呼等场景中，TTS（文本转语音）是核心能力之一。FreeSWITCH作为开源软交换平台，原生支持通过mod_tts_command对接外部TTS服务，但实际落地时常遇到三类问题：

• 配置复杂：需手动编写脚本处理鉴权、音频流转换等底层细节
• 性能瓶颈：单次HTTP请求延迟高，并发场景下RTP流易断裂
• 稳定性差：网络波动时音频卡顿，错误重试机制不完善

技术选型：为什么选择阿里云TTS？

对比主流TTS方案，阿里云的优势在于：

• 高可用性：SLA 99.9%，支持多可用区容灾
• 语音定制：提供50+发音人，支持动态参数调节（语速/音量）
• 成本可控：按量付费模式下每百万字符费用低于竞品30%

核心实现

1. FreeSWITCH模块配置

编辑autoload_configs/tts_command.conf.xml：

<configuration name="tts_command.conf">
  <settings>
    <param name="command" value="/opt/tts_proxy/aliyun_tts.py ${text} ${voice_name} ${rate}"/>
    <param name="sound_prefix" value="/tmp/tts/"/>
  </settings>
</configuration>

关键参数说明： - sound_prefix指定音频缓存目录 - ${text}等变量由Dialplan动态传入

2. 阿里云API调用（Python示例）

import sys
from aliyunsdkcore.client import AcsClient
from aliyunsdkcore.request import CommonRequest

def synthesize_speech(text, voice="xiaoyun"):
    client = AcsClient("<access_key>", "<secret>", "cn-shanghai")
    request = CommonRequest()
    request.set_domain("nls-meta.cn-shanghai.aliyuncs.com")
    request.set_version("2019-02-28")
    request.set_action_name("CreateSynthesizer")
    request.add_query_param("Text", text)
    request.add_query_param("Voice", voice)
    request.add_query_param("Format", "wav")

    try:
        response = client.do_action_with_exception(request)
        with open("/tmp/tts/output.wav", "wb") as f:
            f.write(response)
        return True
    except Exception as e:
        logging.error(f"TTS failed: {str(e)}")
        return False

3. 音频流处理优化

通过WebSocket长连接避免重复握手：

1. 在mod_tts_command外层封装连接池
2. 使用ffmpeg实时转码为8kHz PCM格式
3. 设置150ms的Jitter Buffer缓解网络抖动

性能优化技巧

• 批处理请求：合并短文本为批量请求，减少API调用次数
• 预热连接：服务启动时预先建立5-10个长连接
• 缓存策略：对高频文本MD5哈希后本地缓存

安全实践

• 使用RAM子账号，遵循最小权限原则
• 请求签名启用HTTPS加密传输
• 音频文件存储设置chmod 600权限

避坑指南

• 错误1：音频杂音
• 原因：采样率不匹配

• 解决：强制转码ffmpeg -ar 8000 -ac 1

• 错误2：403鉴权失败

• 原因：服务器时间不同步
• 解决：部署NTP定时同步

扩展思考

现有方案能否结合NLP实现动态语调调整？例如在客户投诉场景自动提高语音紧急度。欢迎在评论区分享你的落地经验！