百度AI平台语音合成与识别项目实战

本文还有配套的精品资源，点击获取

简介：本项目展示了如何使用Python语言结合百度AI平台实现语音合成和语音识别技术。通过提供的代码示例和详细教程，学习者将学会如何在Anaconda环境中部署和运行这些AI服务。本项目覆盖了从设置API密钥、构建请求参数到接收和解析返回数据的整个流程，以及如何通过Anaconda管理项目依赖和环境。

1. 百度AI语音合成技术（TTS）

引言：AI语音合成技术概述

语音合成技术（Text-to-Speech，简称TTS）是将文本信息转化为自然语音的技术。百度AI平台提供的TTS技术，利用深度学习技术，让计算机能够模拟人类发音，生成高度自然和可懂的语音输出。这为开发交互式应用、提供语音服务等提供了强大支持，比如，通过TTS技术，可以为盲人提供听觉辅助，或者在自助服务系统中生成标准的语音提示。

百度AI TTS技术特点

百度的TTS技术拥有多项先进特点，其中包括：

• 高度自然的语音输出 ：百度TTS利用神经网络，模仿人类发音机制，产生接近自然人的语音效果。
• 丰富的语音库选择 ：提供多种不同的声音类型供用户选择，包括不同的性别、风格和语言版本。
• 灵活的文本处理能力 ：支持多音字、数字、日期等复杂文本的识别和正确的发音转换。

为了更好地掌握百度AI TTS技术的运用，下一节将详细探讨其工作原理及实现步骤。

2. 百度AI语音识别技术（ASR）

2.1 语音识别技术概述

2.1.1 语音识别技术发展历程

语音识别技术的历史可以追溯到20世纪50年代初期，当时的研究主要集中在模式识别和声音信号处理上。早期的语音识别系统，由于技术和计算资源的限制，通常只能识别孤立词或固定语法的短语。随着计算机性能的提升和机器学习技术的发展，尤其是深度学习的应用，语音识别准确率大幅度提高，并逐渐发展为能够处理连续语音、多语言环境下的复杂识别任务。

语音识别技术经历了从基于规则的方法到基于统计模型，再到当前的深度学习方法的演进。每一步进步都伴随着算法创新和数据可用性的提升。例如，深度学习模型如循环神经网络(RNN)和卷积神经网络(CNN)，以及更先进的Transformer架构在处理语音信号方面取得了显著成果，使得语音识别系统在复杂度和准确性上都有了质的飞跃。

2.1.2 语音识别技术的应用场景

语音识别技术广泛应用于多种场合，从智能语音助手到自动化客服系统，再到实时翻译和语音转文字服务。随着技术的普及，这些应用正在变得更加智能和准确，极大地改变了我们的工作和生活方式。

• 智能家居：语音识别技术是智能家居设备的核心，用户可以通过语音控制灯光、温度、安全系统等。
• 移动设备：智能手机上的语音助手，如Siri和Google Assistant，利用语音识别技术来理解和执行用户的语音指令。
• 自动化客服：通过语音识别实现的自动化客服系统能够快速响应用户咨询，处理常见问题。
• 医疗健康：在医疗领域，语音识别技术用于电子病历的输入和病患信息的记录。

2.2 百度AI语音识别技术详解

2.2.1 百度ASR技术的工作原理

百度的语音识别技术利用深度学习模型，如端到端的自动语音识别(ASR)系统，基于大规模的带标签数据集进行训练。这些模型通常由几个部分构成：声学模型、语言模型和解码器。

声学模型负责将声音信号转换成概率分布上的音素或字的序列；语言模型则提供文本上下文信息，帮助系统理解单词序列的语义正确性；解码器将这两者结合起来，搜索最可能的文本表述。在实际操作中，ASR系统首先通过麦克风接收音频输入，然后进行预处理，如降噪、分割等步骤，之后送入深度学习模型进行识别。

2.2.2 百度ASR技术的优势分析

百度的ASR技术具备多项优势，使其在众多应用中脱颖而出：
- 高准确度：百度ASR技术在各种噪声和口音环境下都能保持高识别准确率。
- 多样化支持：支持多种语言和方言，适应广泛的应用需求。
- 实时响应：快速处理音频输入，提供实时的识别反馈。
- 强大的定制化能力：可针对特定行业或领域进行定制化训练，以提高识别效果。
- 易于集成：提供丰富的API接口和SDK，方便开发者将其集成到各种应用程序中。

2.3 语音识别技术的性能指标

2.3.1 准确率与识别速度

在衡量语音识别系统性能时，准确率和识别速度是两个重要的指标。准确率通常用字错误率(WER)来衡量，指的是系统识别输出的单词与参考文本相比有多少错误。识别速度则以响应时间为准，即从音频输入到输出文本的时间间隔。

为了提高准确率，语音识别系统需要利用大量的训练数据来优化模型参数，并采用先进的算法来处理各种噪声和说话人的差异。而为了加快识别速度，需要优化模型结构和解码算法，减少不必要的计算步骤，实现快速响应。

2.3.2 语言支持与噪声抑制

语言支持能力是衡量语音识别系统是否能够支持不同语言和方言的重要指标。百度ASR技术在多语言支持方面具有明显优势，通过大量多语言数据训练，能够准确识别不同语言和方言。

噪声抑制能力关乎语音识别系统在嘈杂环境中的表现。百度ASR技术采用了多种噪声抑制技术和算法，例如谱减法、Wiener滤波等，以增强语音信号质量，降低噪声对识别准确性的影响。这些技术和算法在音频预处理阶段得到应用，有效地提升了系统的鲁棒性。

3. Python结合百度AI平台的实现示例

3.1 百度AI平台接入准备

3.1.1 获取API Key和Secret Key

访问百度AI平台官方网站，注册并登录百度账号。在个人中心中，找到API管理界面，创建相应的TTS（语音合成）和ASR（语音识别）服务。创建服务后，系统将自动分配给开发者唯一的API Key和Secret Key，这两者是使用百度AI服务进行身份验证和调用接口的凭证。

3.1.2 安装百度AI SDK for Python

为了方便地在Python中调用百度AI平台的服务，百度提供了官方的SDK。可以通过pip包管理器安装百度AI SDK for Python。打开命令行工具，执行以下命令进行安装：

pip install baidu-aip

3.2 语音合成与识别的Python代码示例

3.2.1 语音合成(TTS)的代码实现

在编写语音合成代码前，需要引入百度AI SDK，并使用之前获得的API Key和Secret Key初始化一个TTS客户端对象。以下是一个基本的Python代码示例，用于将一段文字转换成语音并保存为音频文件。

# 引入百度AI SDK中的TTS模块
from aip import AipSpeech

# 初始化TTS客户端，填入你的APP_ID, API_KEY和SECRET_KEY
app_id = '你的APP_ID'
api_key = '你的API_KEY'
secret_key = '你的SECRET_KEY'
client = AipSpeech(app_id, api_key, secret_key)

# 语音合成函数
def synthesis_tts(text):
    # 设置TTS请求参数
    options = {
        'lan': 'zh-CN',
        'cuid': 'your_cuid',
        'dev': 0,
        'tex': text,
        'tok': 'bfa1cb3a30ef4829a92e0e67f0d9d74e',  # 这个是示例，应使用自己生成的token
        'pit': 0,
        'spd': 5,
        'vol': 5,
        'per': 0,
        'idx': 0,
    }
    # 调用TTS接口进行语音合成
    result = client.synthesis(text, 'zh', 1, options)
    # 保存合成的语音到文件
    with open('tts_output.wav', 'wb') as fp:
        fp.write(result)
    print("TTS合成成功！")

# 调用函数
synthesis_tts("您好，欢迎使用百度AI语音合成技术！")

3.2.2 语音识别(ASR)的代码实现

类似地，对于语音识别的实现，同样需要引入百度AI SDK的ASR模块，并使用相应的API Key和Secret Key初始化客户端对象。下面的代码示例将加载一个语音文件，并调用百度AI平台的语音识别服务将音频转化为文字。

# 引入百度AI SDK中的ASR模块
from aip import AipSpeech

# 初始化ASR客户端，填入你的APP_ID, API_KEY和SECRET_KEY
app_id = '你的APP_ID'
api_key = '你的API_KEY'
secret_key = '你的SECRET_KEY'
client = AipSpeech(app_id, api_key, secret_key)

# 语音识别函数
def recognize_asr(audio_path):
    # 读取本地音频文件
    with open(audio_path, 'rb') as fp:
        data = fp.read()

    # 设置ASR请求参数
    options = {
        'cuid': 'your_cuid',
        'dev': 0,
        'lan': 'zh',
        'tok': '你的token',
    }

    # 调用ASR接口进行语音识别
    result = client.asr(data, 16000, options)
    # 打印识别结果
    print("识别结果: " + result["result"])

# 调用函数
recognize_asr("tts_output.wav")

请注意，这些示例代码仅供参考，实际应用中需要使用有效的 cuid （设备唯一标识）和 token （用于验证请求合法性的安全码）。百度SDK文档中提供了详细的API使用说明，包括如何生成安全码，以及详细的参数定义和返回结果的解析方法。

接下来，让我们继续深入了解如何在项目中部署和执行这些代码。

4. Anaconda环境设置与项目依赖管理

在现代数据科学和机器学习项目中，Anaconda已经成为了一个非常流行的Python发行版，它为开发者提供了一个方便的环境管理工具。Anaconda不仅简化了软件包的安装和管理，还允许用户创建独立的环境来隔离项目的依赖，以避免版本冲突。本章节将详细介绍如何使用Anaconda来设置Python环境和管理项目依赖。

4.1 Anaconda环境配置

4.1.1 创建Python虚拟环境

使用Anaconda创建一个虚拟环境主要通过conda命令来完成。创建虚拟环境时，你可以指定所需的Python版本和任何其他依赖包。这个过程确保了你的工作环境与系统上安装的其他Python包和版本互不影响。

# 创建一个名为myenv的虚拟环境，使用Python 3.8
conda create -n myenv python=3.8

上述命令会列出将要安装的包，并询问是否继续。一旦确认，conda会开始创建环境，并在完成后显示一个消息。

创建环境后，你需要激活它。在Windows系统上使用：

conda activate myenv

在Unix或MacOS系统上：

source activate myenv

激活环境后，你可以开始安装所需的依赖包。

4.1.2 环境依赖包的管理与安装

创建了虚拟环境之后，可以使用conda或者pip命令来管理环境中的依赖包。conda命令是Anaconda推荐的方式，因为它可以更好地处理包之间的依赖关系。

安装一个新的包到激活的环境：

conda install numpy

如果需要安装多个包，可以一次性列出它们：

conda install numpy scipy pandas

pip也可以在conda环境中使用，特别是在conda的包索引中找不到某个包时：

pip install requests

要列出环境中的所有包，可以使用以下命令：

conda list

或者使用pip列出：

pip freeze

删除一个包：

conda remove numpy

删除整个环境：

conda remove --name myenv --all

4.2 项目依赖管理工具使用

4.2.1 pip和conda的区别与选择

pip和conda都是Python包管理工具，但它们之间有一些重要的区别。pip是一个专门的Python包安装工具，而conda是一个环境和包管理器，支持Python以及非Python包，如R语言包等。conda提供了一个额外的特性，即为包解决复杂的依赖关系，而pip不直接支持环境管理。

• pip ：对于绝大多数Python包的安装非常方便。如果所使用的包在PyPI（Python包索引）上可用，那么使用pip安装是最直接的方法。
• conda ：当依赖关系非常复杂或者需要跨平台兼容时，conda是一个更好的选择，尤其是科学计算领域中常用的包，如numpy、pandas等。

在很多情况下，可以同时使用pip和conda，利用它们的优势来管理项目依赖。

4.2.2 创建和管理项目的依赖文件

为了确保项目的依赖可以被其他人以相同的方式安装，推荐创建依赖文件。对于pip，可以使用 requirements.txt 文件，而对于conda，可以使用 environment.yml 文件。

对于pip，首先在你的项目根目录运行以下命令：

pip freeze > requirements.txt

这个命令将创建一个 requirements.txt 文件，列出所有当前已安装的包的精确版本。其他人可以使用以下命令安装这些依赖：

pip install -r requirements.txt

对于conda，创建 environment.yml 文件的过程类似：

conda env export > environment.yml

激活环境后，其他人可以通过以下命令创建相同的环境：

conda env create -f environment.yml

在这一章节中，我们介绍了如何利用Anaconda进行环境的配置和管理项目依赖。通过创建虚拟环境和管理依赖文件，你可以确保项目的稳定性和可复现性。接下来的章节，我们将介绍代码部署与执行流程，这将为项目的实际部署提供必要的指导。

5. 代码部署与执行流程

5.1 代码部署前的准备工作

5.1.1 源代码的结构组织

在任何项目中，源代码的组织方式都是至关重要的。良好的代码结构不仅有助于代码的可读性和可维护性，还能提高团队协作的效率。在使用Python进行开发时，可以按照功能模块来组织代码，通常一个模块包含一组相关功能的函数和类。

例如，在使用百度AI平台的项目中，可以将代码划分为几个主要模块：
- 语音合成模块
- 语音识别模块
- 配置管理模块

下面是一个简化的代码目录结构示例：

SoundProject/
│
├── __init__.py
├── config.py        # 配置文件
├── tts.py           # 语音合成模块
├── asr.py           # 语音识别模块
├── utils.py         # 工具模块，包含通用函数
└── main.py          # 主程序入口

在该目录结构中：
- config.py 负责存放配置信息，例如API Key、Secret Key等。
- tts.py 和 asr.py 分别是语音合成和语音识别的实现模块。
- utils.py 包含了项目中可能复用的辅助功能，如日志记录、错误处理等。
- main.py 是整个程序的主入口，负责协调不同模块之间的交互。

5.1.2 环境和依赖的配置检查

在代码部署之前，检查环境和依赖配置是不可或缺的一步。正确的环境配置确保了代码能在目标系统中正确运行，依赖的安装确保了代码所依赖的库能够正常工作。

Python项目的依赖管理通常使用 requirements.txt 文件来管理，该文件列举了项目所需的Python包及其版本。例如：

baidu-aip==2.0.0
requests==2.23.0
numpy==1.18.4

在部署代码前，可以通过以下命令安装依赖：

pip install -r requirements.txt

另外，对于大型项目或团队协作的项目，可以考虑使用 conda 环境来管理Python环境和依赖，因为它能更好地管理不同项目间的依赖冲突。

5.2 代码的执行流程详解

5.2.1 执行代码的参数配置

代码执行前，需要确保相关的参数配置正确。这包括API密钥、服务器地址等，这些参数通常在配置文件中设置，如前面提到的 config.py 文件。

下面是一个简单的 config.py 示例：

# config.py
API_KEY = 'your_api_key'
SECRET_KEY = 'your_secret_key'

TTS_ENDPOINT = 'https://aip.baidubce.com/rpc/2.0/speech/v1/tts'
ASR_ENDPOINT = 'https://aip.baidubce.com/rpc/2.0/speech/v1/recognize'

# 配置其他必要的参数...

在实际使用中，要确保这些敏感信息不被硬编码在源代码中，以避免安全风险。

5.2.2 代码执行过程中的常见问题及解决方案

在代码执行过程中，可能会遇到各种问题，比如网络问题、API限制、错误处理等。在进行部署时，应当对这些问题有所准备，并提前编写好相应的处理逻辑。

例如，一个基本的异常处理逻辑可能如下：

try:
    # 尝试执行API调用
    response = requests.post(TTS_ENDPOINT, data=payload, params=params)
    # 检查响应状态码
    if response.status_code == 200:
        # 成功响应的处理逻辑
    else:
        # 错误响应的处理逻辑
except requests.exceptions.RequestException as e:
    # 网络异常的处理逻辑
    print(f"An error occurred: {e}")

在上述代码块中，我们使用了Python的 requests 库来发送HTTP请求，并通过 try-except 块来捕获和处理可能发生的异常。这样可以避免程序因异常而突然崩溃，并给予用户清晰的错误信息。

此外，在部署到生产环境之前，通过单元测试和集成测试来验证代码的正确性是十分必要的。测试可以帮助开发者在代码交付之前发现并修复潜在的问题。

6. 实际项目应用案例解析

6.1 语音合成在客户服务系统中的应用

语音合成（Text-to-Speech, TTS）技术在客户服务系统中的应用日益广泛。它通过转换文本信息为语音输出，实现了自动化的客户服务流程。在银行、电信和电商平台等领域，这种技术已经为大量企业提供了智能化解决方案。

6.1.1 客户服务自动化流程

当企业部署了基于TTS技术的客户服务系统后，它可以显著提升客户体验，并减少人工客服的工作压力。自动化流程通常从接收客户咨询开始，通过企业数据库或知识库自动查询相关信息，然后利用TTS技术将解答转换为语音信息并传送给客户。如此一来，无论客户在何时何地，都能获得即时、专业的回复。

在具体实现上，企业可使用百度AI平台提供的TTS接口，通过编程语言如Python实现自动化响应。首先，通过API将文本信息发送到百度的TTS服务器，然后根据返回的语音数据流对客户进行自动回复。下面是一个简单的Python代码示例，用于展示如何通过百度AI平台进行TTS操作：

import requests
import json

# 百度AI平台的API信息
API_KEY = "你的API Key"
SECRET_KEY = "你的Secret Key"
API_URL = "http://tsn.baidu.com/text2audio"

# 需要转换为语音的文本
text_to_convert = "欢迎使用我们的服务。"

# 发送请求
response = requests.post(API_URL, data={
    'tex': text_to_convert,
    'lan': 'zh',
    'cuid': 'unique_user_id',
    'pid': 1536,
    'tok': SECRET_KEY,
    'per': 0
})

# 检查请求是否成功
if response.status_code == 200:
    audio = response.content
    # 这里可以根据需要将audio内容进行存储或直接播放
else:
    print("Text-to-speech request failed.")

6.1.2 智能语音交互体验优化

为了提高用户体验，开发者可以利用TTS技术提供的语音合成质量、情感化表达以及多种语言支持等功能。这包括但不限于选择不同的声音、调节语速、音调等，以更贴合用户的语言习惯和偏好。

通过优化这些参数，开发者能够让交互体验更加自然和人性化。例如，在某些特定的场景下，系统可以调整语速变慢，使信息传递更加清晰易懂；而在其他情况下，快速的语速可以帮助客户快速获取信息。

为了展示百度AI TTS技术的优化效果，我们可以参考以下表格比较不同设置下的语音输出效果：

参数设置	语音输出质量	语速	适用场景
默认配置	清晰、自然	中等	普通信息回复
低语速	清晰、自然	慢	复杂信息解释
高音调	清晰、有活力	中等	激励、促销信息

通过对比和分析不同参数设置下语音输出的差异，我们可以更好地理解如何针对不同的应用场景调整TTS技术的输出，以提供更优质的客户体验。

6.2 语音识别在智能助手中的应用

随着语音识别技术（Automatic Speech Recognition, ASR）的持续进步，智能助手已经成为人们生活中不可或缺的一部分。从家庭到办公室，从智能手机到智能音响，智能助手通过理解人们的语音指令，提供各种服务，如信息查询、日程安排、智能家居控制等。

6.2.1 智能助手的工作原理

智能助手的核心是其背后的语音识别技术。当用户发出语音指令时，ASR系统首先将语音信号转换为可处理的数字信号，然后通过声学模型和语言模型对信号进行分析和解码，最终转换为对应的文本信息。这一步骤至关重要，因为它直接关系到后续处理的准确性和效率。

随后，智能助手的自然语言处理（Natural Language Processing, NLP）模块会根据转换得到的文本进行理解并作出响应。比如，用户说“明天早上七点叫我起床”，智能助手的NLP模块会解析出时间、事件以及请求类型，并据此设定闹钟。

6.2.2 语音识别在实际交互中的效果展示

智能助手的实际效果往往与语音识别的准确度和速度紧密相关。目前，市场上如小爱同学、小度等智能助手都依赖于高度优化的ASR技术。这些技术经过了大量的语音数据训练，不仅能够识别标准普通话，还能在一定程度上理解方言和口音。

下面是一个使用百度ASR技术的Python代码示例，展示如何将用户的语音指令转换为文本：

import speech_recognition as sr

# 初始化语音识别器
recognizer = sr.Recognizer()

# 使用麦克风作为音频源
with sr.Microphone() as source:
    print("请说话...")
    audio = recognizer.listen(source)
    try:
        # 使用百度ASR进行语音识别
        text = recognizer.recognize_baidu(audio, language='zh-CN')
        print("你说了: " + text)
    except sr.UnknownValueError:
        print("无法理解音频")
    except sr.RequestError as e:
        print("百度ASR服务出错; {0}".format(e))

在上述代码中，我们首先导入了 speech_recognition 库，并创建了一个识别器对象。通过麦克风捕捉到用户的声音后，我们调用了 recognize_baidu 方法进行语音识别，并打印出识别的结果。

在实际的智能助手应用中，识别出的文本将会被进一步处理。系统会分析语句的语义内容，根据上下文环境和用户的个人偏好，做出相应的反馈或执行特定的操作。这样，用户只需要通过简单的语音命令，就能轻松地与设备进行交互，极大地提升了生活和工作的便捷性。

通过以上的案例解析，我们不仅了解了TTS和ASR技术在实际项目中的应用，还学习了如何将这些技术融入到具体的业务场景中，以优化用户体验和提高业务效率。这些技术的融合应用，已经成为智能时代下各类业务创新的重要驱动力。

7. 未来展望与深度学习技术的融合

7.1 深度学习在TTS和ASR中的应用现状

随着人工智能领域的快速发展，深度学习技术已经深刻地影响到了语音合成（TTS）和语音识别（ASR）技术的进步。深度学习方法通过模拟人类大脑神经网络的结构和功能，极大地提升了TTS和ASR系统的性能。

7.1.1 深度学习技术的发展趋势

近年来，深度学习在TTS和ASR技术中的应用趋势表现在以下几个方面：

• 端到端系统 : 传统TTS和ASR系统由多个独立的模块组成，例如特征提取、声学模型、语言模型等。而深度学习技术趋向于发展端到端的系统，可以一次性完成特征提取和语音识别或合成的整个过程，减少了中间环节，提高了效率和准确性。

• 数据驱动 : 从数据中直接学习出语音识别和语音合成的模型，减少了对复杂手工特征工程的依赖，使得系统更加灵活和强大。

• 注意力机制 : 在神经网络模型中引入注意力机制可以更有效地模拟人类听觉和发音过程，从而在TTS和ASR中获得更加自然和准确的输出。

• 多模态学习 : 深度学习技术正在尝试结合视觉、触觉等非语言信息，提升语音系统的鲁棒性和可用性。

7.1.2 深度学习对TTS和ASR的影响与改进

深度学习对TTS和ASR技术带来的改进是显著的：

• 更佳的自然度和准确率 : 使用深度学习技术训练的模型在语音合成上能产生更自然的语音，在语音识别上能够实现更高的准确率。

• 实时性 : 深度学习模型经过优化可以实现实时的语音识别和合成。

• 跨语言能力 : 深度学习技术使得TTS和ASR系统更容易扩展到更多种语言。

• 个性化 : 深度学习可以更好地学习和模仿特定人的语音特征，为个人化服务提供了可能。

7.2 未来发展趋势和挑战

随着深度学习技术的不断进步，TTS和ASR系统的未来发展方向和面临的挑战是值得探讨的。

7.2.1 模型优化与算法创新

为了应对日益增长的应用需求，模型优化和算法创新是未来发展的必然趋势：

• 轻量化模型 : 开发更轻、更快的模型以适应边缘计算和移动设备的需求。

• 多任务学习 : 将TTS和ASR作为一个联合任务进行学习，共享表示层来提升两者的性能。

• 迁移学习 : 利用预训练模型，可以更快地适应特定的任务和领域。

7.2.2 面向未来的技术挑战与机遇

尽管深度学习带来了许多进步，但TTS和ASR技术仍面临着一系列挑战和机遇：

• 隐私和安全 : 保护用户数据的隐私和安全将是一个重要议题。

• 模型泛化 : 如何设计模型以便更好地泛化到新的语言、新的领域和新的环境是未来研究的热点。

• 无监督和自监督学习 : 这些学习方法能极大地减少对标注数据的依赖，有潜力解决数据获取和处理的成本问题。

深度学习已经对TTS和ASR技术产生了革命性的影响，未来的挑战和机遇也将继续推动这一领域的发展。随着技术的不断成熟和优化，我们可以期待未来语音技术将在交互体验、个性化服务等方面取得更大的突破。

本文还有配套的精品资源，点击获取

简介：本项目展示了如何使用Python语言结合百度AI平台实现语音合成和语音识别技术。通过提供的代码示例和详细教程，学习者将学会如何在Anaconda环境中部署和运行这些AI服务。本项目覆盖了从设置API密钥、构建请求参数到接收和解析返回数据的整个流程，以及如何通过Anaconda管理项目依赖和环境。

本文还有配套的精品资源，点击获取