前言
Link : Microsoft Speech API overview
通過這個鏈接，大致了解Bing speech API的語音識別和語音合成兩部分，
這次是需要用到TTS，所以就直接看TTS相關的文檔。
Link : Bing text to speech API
簡介
使用Bing語音合成API，需要應用程序通過發送HTTP請求到雲端，雲端合成為人聲后返回音頻文件。
語音合成請求
JSON Web Token(JWT) access token
每一個的語音合成請求都需要一個JSON Web Token(JWT) access token，且這個JWT要放在語音請求的header中。每一個JWT持續10分鍾，如果超時或者沒有獲得這個JWT，那么你的語音請求就會得到**[403 Forbidden]**的response。
所以，發送語音請求的第一步需要根據你的API密鑰來獲取，API密鑰就是：
登錄后就看的到了，有兩個，哪個都行。
根據文檔，發送POST請求來獲取Base64 access token，用curl就如下：
E:\xxx>curl.exe -X POST --header "Content-Length: 0" --header "Ocp-Apim-Subscription-Key:your api key goes here" "https://api.cognitive.microsoft.com/sts/v1.0/issueToken"
當然，用幾次你就會想還是寫個程序來的方便，哈哈。
那么，就得到了Base64 access token的一串東西，現在可以來發送語音合成的請求了。
HTTP headers
如下表：
| Header | Value | Comments |
|---|---|---|
| Content-Type | application/ssml+xml | The input content type. |
| X-Microsoft-OutputFormat | 1.ssml-16khz-16bit-mono-tts 2.raw-16khz-16bit-mono-pcm 3.audio-16khz-16kbps-mono-siren 4.riff-16khz-16kbps-mono-siren 5.riff-16khz-16bit-mono-pcm 6.audio-16khz-128kbitrate-mono-mp3 7.audio-16khz-64kbitrate-mono-mp3 8.audio-16khz-32kbitrate-mono-mp3 | The output audio format. |
| X-Search-AppId | A GUID (hex only, no dashes) | An ID that uniquely identifies the client application. This can be the store ID for apps. If one is not available, the ID can be user generated for an application. |
| X-Search-ClientID | A GUID (hex only, no dashes) | An ID that uniquely identifies an application instance for each installation. |
| User-Agent | Application name | The application name is required and must be fewer than 255 characters. |
| Authorization | Authorization token | See the Authorization token section. |
不是每一項都必須，我只用了加粗的那3個header
Input parameters
好，頭已經准備就緒，只等……
body部分包含SSML，SSML通過更改參數可以改變輸出的聲音。
所以，語音輸出請求就像這樣：
POST /synthesize
HTTP/1.1
Host: speech.platform.bing.com
X-Microsoft-OutputFormat: riff-8khz-8bit-mono-mulaw
Content-Type: application/ssml+xml
Authorization: Bearer [Base64 access_token]
<speak version='1.0' xml:lang='en-US'><voice xml:lang='en-US' xml:gender='Female' name='Microsoft Server Speech Text to Speech Voice (en-US, ZiraRUS)'>Microsoft Bing Voice Output API</voice></speak>
請求之后一會兒服務器返回音頻文件，程序中寫入文件就好了。
SSML參考資料：
Changing voice output via SSML
SSML W3C Specification
P.S. Bing speech和Microsoft speech似乎不是同一套東西，但大部分規則是相通的：
Speech Synthesis Markup Language Reference
（這里是個總覽，可以選擇具體元素的頁面）
以下幾個頁面對SSML的修飾有比較大的幫助：
1.prosody Element
（包括音調、速率、持續時間、音量等的描述）
2.phoneme Element
（這個元素主要針對如何改變發音的描述，此頁面沒有中文的例子，但可以先看看）
SSML說明
< prosody >音律調整
此部分說明了音律調整要用到的包括pitch(音調)、contour("音形")、 range(音調范圍)、rate(速率)、duration(持續時間)和volume(音量)
語法：
<prosody pitch="value" contour="value" range="value" rate="value" duration="value" volume="value"> </prosody>
參數信息：
| 屬性 | 描述 |
|---|---|
| pitch | 代表文字的基准音調，它的值有3種不同的方式表達：1.一個絕對的值，使用“數字Hz”的方式。例如，600Hz；2.一個相對的值，使用“+/-數字Hz/st”的方式，表示音調的變化程度。例如，+80Hz 或 -2st。st(semitone)表示一個半音；3.一個枚舉的值，包括：x-low, low, medium, high, x-high, or default |
| contour | 在不同的時間段內描述出音調變化（感覺是個高級特性），時間段用%作區隔，代表在此百分比時音調開始變化。例如，< prosody contour="(0%,+20Hz) (10%,-2st) (40%,+10Hz)" > |
| range | 代表文字音調的范圍，值同上面的pitch |
| rate | 代表文字的閱讀速率，它的值有2種不同的方式表達：1.一個相對的值，例如：1表示速率不變；.5表示速率減半；3表示3倍基本速率（測試發現用"+20%"的方式也行）；2.一個枚舉的值，包括：x-slow, slow, medium, fast, x-fast, or default |
| duration | 文字閱讀的持續時間，單位為s或ms |
| volume | 代表閱讀的音量大小，它的值有3中不同的方式表達：1.一個絕對的值，范圍在0.0~100.0（從最小聲到最大聲）。例如，75。默認為100.0；2.一個相對的值，使用“+/-數字”的方式。例如，+10或-5.5；3.一個枚舉的值，包括：silent, x-soft, soft, medium, loud, x-loud, or default |
< phoneme >音素調整
此部分說明了如何從支持的語音字母表中來更改文字的發音。
語法：
<phoneme alphabet="string" ph="string"> </phoneme>
注意：參數alphabet的值只有3個：ipa | x-microsoft-sapi | x-microsoft-ups
也就是支持的發音字母表，參見：3.Phonetic Alphabet Reference
（Microsoft.speech的發音表，總共有3個，SAPI支持中文）
參數信息：
| 屬性 | 描述 |
|---|---|
| alphabet | 可選。選擇一個合適的發音字母表，值為：ipa / x-microsoft-sapi / x-microsoft-ups |
| ph | 必須。一個描述如何發音的字符串，如果這個字符串不合法，TTS引擎會拒絕SSML文檔，不會生成任何輸出。中文發音標注的方式，例如，< phoneme alphabet="x-microsoft-sapi" ph="o 3" >哦< phoneme >，這里“哦”字的發音就是o的第三聲。另外，12345代表漢語發音的4聲和輕聲。 |
SSML例子：
<speak version="1.0"
xmlns="http://www.w3.org/2001/10/synthesis"
xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="zh-CN">
<voice xml:lang="zh-CN" name="Microsoft Server Speech Text to Speech Voice (zh-CN, Kangkang, Apollo)">
<prosody rate="+20%" pitch="+8st" duration="220ms">
<phoneme alphabet="x-microsoft-sapi" ph="a 1">啊</phoneme>
</prosody>
<prosody rate="-20%" duration="380ms">
<phoneme alphabet="x-microsoft-sapi" ph="ou 1">哦</phoneme>
</prosody>
</voice>
</speak>
對了，還有另一位老兄的文章，是Bing speech語音識別那部分的：http://blog.csdn.net/kwgrg/article/details/54809238
Have fun！