Azure 文本转语音 API - 仅限 10 分钟的音频？

Question

可以提交给 TTS（神经）语音服务端点的文本数量是否有限制？

我从 Azure 函数发出的所有请求都是成功的，但恰好在 10 分钟时截止。

Answer 1

是的，在旧的 Bing Speech API documentation 中指出，语音服务对与服务的 WebSocket 连接的持续时间进行了限制，活动 WebSocket 连接的最长持续时间为 10 分钟，非活动连接的最长持续时间为 180 秒.

更新

在新的语音服务文档中也说明访问令牌的有效期为 10 分钟。

Answer 2

如果您使用 docs

中的 javascript

Microsoft Speech API 的 JavaScript 服务包装器。它是一个 特别是 Speech Websocket API 的实现，它 支持最长10分钟的长语音识别

Answer 3

TTS 文档 说：

Asynchronous synthesis of long audio: Use the batch synthesis API (Preview) to asynchronously synthesize text-to-speech files longer than 10 minutes

.

批量合成 API 文档 说：

The Batch synthesis API ... can synthesize a large volume of text input (long and short) asynchronously... create synthesized audio longer than 10 minutes

.

所以我相信这意味着同步 TTS API 最多只能处理 10 分钟的音频。在我的例子中，TTSing 长文本给了我 HTTP 状态代码 200，响应是通过分块传输编码发送的，大约 10 秒后它在

System.Net.Http.HttpRequestException: Error while copying content to a stream. ---> System.IO.IOException: The response ended prematurely.

上失败了，所以我认为 TTS 后端正在从文本生成音频，并且有一次音频超过 10 分钟，抛出异常并关闭连接。