17370845950

PHP调用听书插件时语言切换依赖显式lang参数，而非自动识别；需严格匹配voice与lang，混合文本应拆句处理，语种检测须用正则或专用API，音频合并前须统一采样率与声道。

PHP 调用听书插件时，语言切换靠的是 lang 参数，不是插件自动识别文本

多数 PHP 接入的听书服务（如阿里云语音合成 TTS、百度语音合成、腾讯云 TTS）本身不分析你传入的文本语种，而是严格按你指定的 lang 参数发音。比如传 lang=zh，哪怕文本是 “Hello world”，也会用中文音调硬读；传 lang=en，中文文本会按英文拼读规则崩坏输出。

• lang 必须显式传，不传或传错值（如 zh-CN 写成 zh_CN）会导致静音、报错或默认语种（通常是中文）
• 常见合法值：zh（普通话）、en（英语）、ja（日语）、ko（韩语）、zh-TW（台湾国语），注意大小写和连字符 —— 百度要求 zh，腾讯接受 zh-CN，阿里云认 zh 和 en-US
• 混合文本（中英夹杂）建议拆句处理：中文句用 lang=zh，英文句用 lang=en，否则合成效果极差

PHP 中构造多语言请求体，关键在 voice 和 lang 的组合匹配

不同服务商对同一语种支持的音色（voice）不同，且 voice 名称隐含语种约束。例如阿里云的 xiaoyun 只支持 zh，而 aisjennie 是美式英语专属，设成 lang=zh 会直接拒绝。

POST /v1/tts HTTP/1.1
Host: nls-gateway.aliyuncs.com
Content-Type: application/json

{
  "appkey": "your_appkey",
  "text": "Bonjour le monde",
  "voice": "aisfrench",   // 必须匹配 lang=fr
  "lang": "fr",
  "format": "mp3"
}

• 务必查清文档中 voice 列表及其支持的 lang 值，不能凭名字猜测（zhiyu 不代表支持粤语）
• PHP 发起请求时，用 json_encode() 封装参数，避免手动拼 JSON 出现引号或编码错误
• 若需动态切语言，把 lang 和 voice 做成配置数组，按文本语种查表映射，而不是 if-else 硬编码

检测文本语种不能依赖 PHP 自带函数，得调用专用 API 或正则粗筛

PHP 的 mb_detect_encoding() 只能判断编码，intl 扩展的 Locale::lookup() 也不适用于文本语种识别。真要自动选语言，要么调用第三方语种识别 API（如百度 NLP 的 language 接口），要么用轻量正则做大致区分：

$text = "こんにちは、世界";
if (preg_match('/[\x{3040}-\x{309F}\x{30A0}-\x{30FF}]/u', $text)) {
    $lang = 'ja';
    $voice = 'zhiyin'; // 假设该 voice 支持日语
} elseif (preg_match('/[\x{4E00}-\x{9FFF}]/u', $text)) {
    $lang = 'zh';
    $voice = 'xiaoyun';
} else {
    $lang = 'en';
    $voice = 'aisjennie';
}

• 正则仅适合单语种主导的文本，对 “iOS 18 发布” 这类混合内容大概率误判为英文
• 生产环境建议加 fallback：正则不确定时，统一走 lang=zh，或转交人工标注
• 别用 get_headers() 或 file_get_contents() 直接调语种识别 API，必须用 cURL 设 Content-Type: application/json 并处理返回的 JSON 错误码

音频合并时，采样率与声道不一致会导致播放卡顿或无声

不同语种请求返回的音频格式可能不同：中文常是 16kHz 单声道，英文可能是 24kHz 双声道。PHP 用 ffmpeg 合并前，必须先统一参数，否则播放器会跳过或静音。

• 用 shell_exec('ffprobe -v quiet -show_entries stream=s

  

  ample_rate,channels -of csv=p=0 input.mp3') 检查每个音频的实际参数
• 统一转成 16000Hz、1 channel 再合并：ffmpeg -i input.mp3 -ar 16000 -ac 1 -y output.mp3
• 不要用 PHP 的 file_put_contents() 直接拼接 MP3 文件 —— 这只是字节堆叠，无法播放

多语言朗读真正难的不是调接口，而是语种判定的边界情况、音色与语言的隐式绑定、以及音频流格式的隐形差异。这些地方一漏，用户听到的就是乱码音或者突然静音。