语音合成的实质就是把文本转换成语音，很多云厂商都提供类似的服务，只需要调用 SDK 或 API 集成功能就可以。实现过程中仅需要考虑一个问题：云服务的响应时间，云服务自身比较繁忙，或者文本内容较长，都可能导致响应时间较长。

大多数据情况下，客户端每发送一次语音合成请求，服务端都会使用一个单独线程用于语音合成处理，客户端需要 同步 等待服务端处理完成。

考虑比较极端的场景：

• 客户端短时间内发送大量请求
• 云服务处理每个请求的响应时间较长

就可能会出现：

• 服务端线程长时间被占用，线程资源（数目）被耗尽
• 客户端 卡住

解决方案也很简单，就是客户端和服务端使用 异步 的协作方式，核心是 队列。

1. 客户端向 Web 发起语音合成请求，请求中包含语音合成所需的文本内容和合成参数；
2. Web 会为每一个语音合成请求创建一个语音合成会话，每一个语音合成会话包含语音合成会话 ID 和语音合成请求相关数据；
3. Web 将语音合成会话 ID 保存到一个语音合成待处理队列；

这一步完成之后，Web 会将语音合成会话 ID 返回给客户端，客户端使用这个语音合成会话 ID 轮询获取语音合成结果。

1. 客户端使用语音合成会话 ID 轮询请求语音合成结果，如果响应结果是待处理，表示该语音合成尚未完成，客户端需要等待若干时间之后，再次发起请求；如果响应结果是已完成（10），表示该语音合成已完成，响应结果中包含着语音合成结果；
2. 服务端不断地轮询，从语音合成待处理队列获取需要处理的语音合成会话 ID，如果未获取到，表示没有语音合成需要处理，服务端等待若干时间之后，再次获取；如果获取到，表示有语音合成需要处理；
3. 服务端根据获取到的语音合成会话 ID，查询语音合成会话中的语音合成请求相关数据，调用云服务，执行语音合成任务；
4. 服务端等待云服务语音合成任务执行完成；
5. 服务端将语音合成结果保存至云存储；
6. 服务端根据语音合成会话 ID，将语音合成结果的云存储路径更新至语音合成会话中；

服务端的语音合成进程或线程数目可灵活控制。