Muse 语音更换指南

本文介绍如何给 Muse 换上微软 Azure Speech 的中文嗓子：从建资源、存 key、选音色到出成片，全流程。

起因就一句：Muse 内置的配音念中文像刚学中文的留学生，塑料感拉满。换成微软的神经网络语音之后，武将能有武将的厚重感，古诗能有古诗的沉静感。差距一耳朵就能听出来。

整条路线说白了就四步：在 Azure 建一个 Speech 资源 → 把 key 安全交给 Muse → 按角色挑音色 → 让 Muse 直接出音频合进视频。下面按实操顺序拆开。

为什么不用免费的 edge-tts 而是用Azure Speech

很多人第一反应是 edge-tts：微软的免费语音，零成本。说下实测结论，省得你踩同一个坑：

edge-tts 走的是 websocket 协议

在大部分VPN网络环境里，出口代理会改写 websocket 握手头，连接直接被掐断，逐条验证全灭

Azure Speech 用的是普通 HTTPS REST 接口，不吃这一套，一次接通

所以这不是“免费 vs 付费”的选择题，是“通不通”的问题。

真要零成本先试 edge-tts，你的环境能通就用；不通就直接上 Azure F0，别在死路上耗。

准备：你需要什么

一个微软 Azure 账号（没有的话先去 portal.azure.com 注册，绑卡验证身份即可）

一个装了 Muse 的环境（本文就是在 Muse 里全程对话完成的）

大约 10 分钟，纯点鼠标

费用： Speech 资源选免费层 F0 就够个人创作使用，有月度免费额度。本文用的就是 F0。

第一步：在 Azure 门户搜索 Speech

打开 portal.azure.com，顶部搜索框输入 speech，在结果里找语音服务入口。

图 1　在 Azure 门户搜索 speech

搜索结果里认准微软官方的语音服务（Speech），点进去创建。注意别点到第三方的市场条目。

第二步：创建语音服务资源

进入“创建语音服务”页面后，按下面填：

订阅：选你的订阅（本文是 Azure subscription 1）

资源组：新建一个，名字随意（本文用 Muse-tts，方便日后管理）

区域：选 East Asia（东亚），离国内近，延迟低

名称：给资源起个名（本文用 Taobuilds-speech）

定价层：选免费 F0

图 2　创建语音服务：项目详细信息

填的时候注意两点：

资源组那一栏是空的，需要点“新建”自己建一个，别卡在这里

页面上方那条蓝色提示（订阅未注册认知服务资源类型）是正常提示，创建时会自动注册，忽略即可

定价层那个红色报错“值不得为空”就是提醒你还没选层级，下拉选上 F0 就消失了。全部填完点“审阅并创建”，再点“创建”等部署。

第三步：部署完成，进资源拿 key

等一两分钟，看到“部署完成”就成了。

图 3　部署完成

点“转到资源”，在资源页左侧找到“密钥和终结点”（Keys and Endpoint），里面有两样东西：

KEY 1 / KEY 2：两把密钥，任意一把可用

终结点：形如 https://eastasia.tts.speech.microsoft.com/ 的地址

区域和终结点要对上：本文区域是 eastasia，所以终结点域名是 eastasia.tts.speech.microsoft.com。

Note： key 就是这个资源的密码，谁拿到谁能用你的额度调接口。所以下一步的存法才是关键，千万别直接在聊天里发出来。

第四步：把 key 安全存进 Muse（最重要的一步）

这是整套方案里最值得抄作业的地方：key 绝不经过聊天记录，绝不明文落地。

实操流程：

让 Muse 发起一个安全凭据卡片（connector 方式）

你在卡片里把 KEY 1 粘进去，提交

key 存入凭据库，标识为 custom.azure-speech

此后 Muse 每次调用都经一层代理注入 key，请求里只带不可见的替代凭证

结果就是：原始 key 你只在 Azure 门户里见过一次，Muse 这边永远看不到、不保存、不打印。 聊天记录、日志、文件里都不会出现它。

为什么必须这么搞？因为 key 一旦进了聊天记录或代码文件，就等于半公开了。哪天你想撤销，进 Azure 把 KEY 1 重新生成一把，旧的立刻作废，再走一遍卡片更新即可。

Warning： 不要把 key 写进 .env、脚本、备忘录或者直接发在任何聊天里。用凭据卡片，或用你自己的密钥管理服务，没有第三种正确答案。

第五步：选音色——按角色挑，不固定

Azure 的中文神经网络音色很多。实测下来这几把最常用：

云健、云扬、云希、晓晓

选音色的原则就一条：声线跟着角色走，不锁死。 比如：

《静夜思》朗诵：用云扬——武将声线读古诗太冲，云扬的沉静感才对味

让 Muse 先出几段试听，你耳朵拍板，选中的音色再整片重配。这个过程纯对话完成，不用碰任何参数。

第六步：出音频，合进视频

接通之后，你要做的只有说一句话，比如：

“用云扬把《静夜思》整首念一遍。”

Muse 那边会走 Azure Speech 的 REST 接口（纯 HTTPS 调用，不走 websocket），直接生成 mp3 回来。之后它可以：

把新旧两种声音拼成对比音频，先听差距

把配音轨替换进视频，重新混音出成片

按你确认的音色批量重配整条片子

一个实操提醒：X 不支持纯音频帖。 想发推对比效果，把音频包一层画面转成视频版再发，播放和下载都更顺。

FAQ

Q：免费额度用超了怎么办？

A：F0 有月度免费额度，个人做视频配音基本用不满。真超了，接口会限流而不是扣钱；想要更高额度再升到标准层，按字符量计费，做短视频的量级一个月也就几块钱的事。

Q：key 存在 Muse 那边，安全吗？

A：key 本身只进凭据库，Muse 调用时用不可见的替代凭证，原始值不出现在对话、日志和文件里。你随时可以在 Azure 门户重新生成 key 让旧的失效，控制权一直在你手里。

Q：区域为什么选 eastasia？

A：离国内访问延迟最低，合成速度最快。区域决定终结点域名，两者必须一致；选错区域不是报错，是根本调不通。

Q：每条视频都要重新选音色吗？

A：不用。同一系列固定角色声线（比如关羽就锁云健），换题材换角色再重选。你负责拍板，Muse 负责记住。

Q：除了中文，别的语言能用吗？

A：能。同一把 key 可以调 Azure 全部语言的音色，英文、日文都有神经网络音色，流程完全一样，只是换个音色名。

Q：已经生成好的旧视频，能只换声音不重做画面吗？

A：能。画面不动，只把音频轨重新合成替换，几分钟的事。本文作者的关羽 EP01 就是这么重配的。

一句话总结

Muse 的嘴不用忍：Azure 建个免费 Speech 资源，key 用凭据卡片安全递过去，剩下选音色、出音频、合视频，全是对话里一句话的事。旧声音和新声音的差距，建议你亲自听一遍，比看十篇测评都直接。