政务热线智能化升级：基于开源模型的语音播报系统建设

引言：政务热线服务的智能化转型需求

随着“智慧城市”和“数字政府”建设的不断推进，政务服务热线（如12345）作为连接群众与政府的重要桥梁，其服务质量直接影响公众满意度。传统人工坐席模式面临人力成本高、响应不一致、服务时间受限等问题。尤其在高峰时段，来电积压严重，用户体验大打折扣。

为提升服务效率与可及性，语音合成技术（Text-to-Speech, TTS）成为政务热线智能化升级的关键环节。通过引入高质量、自然流畅的中文语音播报系统，可实现自动应答、政策解读、流程引导等场景的自动化输出，显著降低人工负担，同时保障信息传递的一致性和准确性。

本文聚焦于一个实际落地的技术方案——基于ModelScope 开源 Sambert-Hifigan 模型构建的中文多情感语音合成系统，结合 Flask 提供 WebUI 与 API 双模服务，已在真实政务场景中完成部署验证，具备高稳定性与工程可用性。

核心技术选型：为何选择 Sambert-Hifigan？

在构建语音合成系统时，技术选型需综合考虑语音质量、情感表达能力、部署成本、中文支持度等多个维度。当前主流 TTS 方案包括商业云服务（如阿里云、百度语音）、自研深度学习模型以及开源社区项目。

| 方案类型 | 优势 | 劣势 | |--------|------|-------| | 商业云服务 | 接口稳定、功能丰富、低延迟 | 长期使用成本高、数据隐私风险、依赖外网 | | 自研模型 | 完全可控、定制性强 | 研发周期长、算力要求高、维护复杂 | | 开源模型（如 Sambert-Hifigan） | 免费、可本地化部署、社区活跃 | 需环境调优、依赖管理复杂 |

经过评估，我们最终选择了ModelScope 平台提供的 Sambert-Hifigan 中文多情感语音合成模型，原因如下：

✅高质量语音输出：该模型采用两阶段架构——Sambert 负责声学特征预测，HifiGan 实现波形生成，合成语音自然度接近真人水平。
✅支持多情感表达：不同于传统“机械朗读”式TTS，该模型能根据文本内容或参数调节，输出喜悦、悲伤、愤怒、平静等多种情绪语调，极大增强人机交互的情感亲和力。
✅纯中文优化训练：模型在大量中文语音数据上训练，对中文语序、声调、连读等语言特性有良好建模，避免“洋腔洋调”问题。
✅开源可审计：代码与权重公开，便于安全审查，符合政务系统对数据合规性的严格要求。

📌 技术类比理解：
可将 Sambert-Hifigan 类比为“作曲+演奏”分工协作——Sambert 是作曲家，负责写出乐谱（梅尔频谱图）；HifiGan 是演奏家，拿着乐谱演奏出真实的音频波形。两者配合，才能奏出悦耳动听的声音。

系统架构设计：从模型到服务的完整闭环

本系统目标不仅是跑通模型推理，更要实现易用、稳定、可集成的服务化能力。因此，我们在原始模型基础上进行了工程化封装，构建了包含前端交互、后端接口、模型服务于一体的完整系统架构。

系统整体架构图

+------------------+ +---------------------+ | 用户浏览器 | <-> | Flask Web Server | | (WebUI / API) | | (HTML + JS + REST) | +------------------+ +----------+----------+ | +--------v---------+ | 语音合成引擎模块 | | - Sambert-Hifigan | | - 文本预处理 | | - 情感控制逻辑 | +--------+---------+ | +--------v---------+ | 音频文件存储与返回 | | (临时WAV文件) | +------------------+

该架构具备以下特点： -前后端分离设计：WebUI 提供可视化操作界面，API 支持程序化调用，满足不同用户需求。 -轻量级服务容器：整个系统可在单台 CPU 服务器上运行，无需 GPU，大幅降低部署门槛。 -异步处理机制：长文本合成任务采用后台队列处理，避免请求阻塞。

工程实践：如何解决依赖冲突并稳定运行？

尽管 ModelScope 提供了便捷的modelscopePython 包来加载模型，但在实际部署过程中，我们遇到了严重的依赖版本冲突问题，导致模型无法正常加载或推理失败。

主要依赖冲突点分析

| 依赖库 | 冲突版本 | 正确版本 | 原因说明 | |--------|----------|-----------|------------| |datasets| 2.14.0+ |2.13.0| 新版引入packaging>=21.3，与旧版 numpy 不兼容 | |numpy| 1.24+ |1.23.5| 1.24 版本移除了部分 C API，影响 scipy 编译 | |scipy| >=1.13 |<1.13| 1.13+ 要求 Python 3.9+，而部分环境仍为 3.8 |

这些看似微小的版本差异，在组合使用时极易引发ImportError、AttributeError或Segmentation Fault等致命错误。

解决方案：精细化依赖锁定

我们通过创建独立虚拟环境，并编写精确的requirements.txt文件，成功解决了所有依赖问题：

# requirements.txt modelscope==1.11.0 torch==1.13.1 torchaudio==0.13.1 numpy==1.23.5 scipy==1.10.1 datasets==2.13.0 Flask==2.3.3 gunicorn==21.2.0

并通过以下命令安装：

python -m venv tts-env source tts-env/bin/activate pip install --no-cache-dir -r requirements.txt

💡 关键经验总结：
在使用开源AI模型时，不要盲目升级依赖包。优先参考官方示例的环境配置，必要时冻结版本号，确保“一次成功，处处可用”。

功能实现：WebUI 与 API 双模服务详解

系统提供两种访问方式：图形化 Web 界面和标准 HTTP API，分别服务于普通业务人员和技术开发者。

1. WebUI 实现：零门槛语音合成体验

我们基于 Flask + Bootstrap 构建了一个简洁现代的网页界面，用户只需三步即可完成语音合成：

打开浏览器访问服务地址
在文本框输入中文内容（支持长达 500 字）
点击“开始合成语音”，等待几秒后自动播放并提供下载按钮

核心 HTML 模板片段（简化版）

<form id="tts-form"> <textarea name="text" placeholder="请输入要合成的中文文本..." required></textarea> <select name="emotion"> <option value="neutral">平静</option> <option value="happy">喜悦</option> <option value="sad">悲伤</option> <option value="angry">愤怒</option> </select> <button type="submit">开始合成语音</button> </form> <audio id="player" controls></audio> <div id="download-link"></div>

后端 Flask 路由处理逻辑

from flask import Flask, request, jsonify, send_file import os import uuid from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks app = Flask(__name__) tts_pipeline = pipeline(task=Tasks.text_to_speech, model='damo/speech_sambert-hifigan_nisp') @app.route('/api/tts', methods=['POST']) def synthesize(): data = request.json text = data.get('text', '').strip() emotion = data.get('emotion', 'neutral') if not text: return jsonify({'error': '文本不能为空'}), 400 # 生成唯一文件名 output_wav = f"/tmp/{uuid.uuid4().hex}.wav" try: # 执行语音合成 result = tts_pipeline(input=text, voice='zh-cn-female', emotion=emotion) wav_path = result['output_wav'] # 保存文件 with open(output_wav, 'wb') as f: f.write(open(wav_path, 'rb').read()) return send_file( output_wav, mimetype='audio/wav', as_attachment=True, download_name='speech.wav' ) except Exception as e: return jsonify({'error': str(e)}), 500

📌 注释说明： - 使用uuid.uuid4()保证每次输出文件名唯一，避免并发冲突 -voice='zh-cn-female'可替换为 male 或其他音色 -emotion参数直接传入模型，激活多情感合成能力

2. API 接口：支持系统级集成

对于需要嵌入到政务工单系统、IVR 电话系统的场景，我们提供了标准 RESTful API 接口，支持 JSON 请求与二进制音频返回。

示例调用代码（Python）

import requests url = "http://localhost:5000/api/tts" headers = {"Content-Type": "application/json"} payload = { "text": "您好，这里是市民服务热线，您的诉求已收到，将在三个工作日内回复。", "emotion": "neutral" } response = requests.post(url, json=payload) if response.status_code == 200: with open("greeting.wav", "wb") as f: f.write(response.content) print("语音文件已保存") else: print("合成失败:", response.json())