Googleの音声合成

ファイルに保存せずにPythonでGoogleText-to-Speechを使用する。

C05348A3-9AB8-42C9-A6E0-81DB3AC59FEB
           

Google Text-to-Speechエンジンは、今でも群を抜いて最も自然な音声です。 PythonでTTSライブラリを使用する方法の例はたくさんありますが、それらはすべて、結果のオーディオクリップを.mp3ファイルに保存して再生できるようにすることを前提としています。

サウンドを再生してから削除するためにファイルを保存することは大したことではないようですが、読み取りと書き込みのサイクル数が限られているSDカードを使用するRaspberry Piでは、素晴らしいアイデアとは思えません。したがって、私はオーディオストリームを再生するための解決策を探していました。これは、私が見つけた最も信頼できる方法です。

このコードは、Google Text-to-Speechサービスに既に登録しており、適切なGOOGLE_APPLICATION_CREDENTIALS.jsonファイルを取得していることを前提としています。その方法については、 Googleのドキュメントを参照してください。

Pygameライブラリは、このスクリプトの実行にも使用されます。システムへのインストール方法については、Pygameライブラリのドキュメントも参照してください。

from google.cloud import texttospeech
import pygame
import io
import os
os.putenv('DISPLAY', ':0.0')
os.environ["SDL_VIDEODRIVER"] = "dummy"
os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = os.path.expanduser("~/<your_credential_file>.json")
 
# Instantiates a client
client = texttospeech.TextToSpeechClient()
# response = client.list_voices()
# print(response)
 
# Set the text input to be synthesized
synthesis_input = texttospeech.types.SynthesisInput(text="Knock knock! Why did the duck cross the road?")
 
# Build the voice request, select the language code ("en-US") and the ssml
voice = texttospeech.types.VoiceSelectionParams(
    language_code='en-US',
    name='en-US-Wavenet-F',
    ssml_gender=texttospeech.enums.SsmlVoiceGender.FEMALE)
 
# Select the type of audio file you want returned
audio_config = texttospeech.types.AudioConfig(
    audio_encoding=texttospeech.enums.AudioEncoding.MP3)
 
# Perform the text-to-speech request on the text input with the selected
# voice parameters and audio file type
response = client.synthesize_speech(synthesis_input, voice, audio_config)
 
# # The response's audio_content is binary.
# with open('output.mp3', 'wb') as out:
#     # Write the response to the output file.
#     out.write(response.audio_content)
#     print('Audio content written to file "output.mp3"')
 
freq = 24000    # audio CD quality
bitsize = -16   # unsigned 16 bit
channels = 2    # 1 is mono, 2 is stereo
buffer = 2048   # number of samples (experiment to get right sound)
pygame.mixer.init(freq, bitsize, channels, buffer)
pygame.mixer.music.set_volume(1.0)
pygame.display.set_mode((1, 1))
 
pygame.mixer.init()
pygame.init()  # this is needed for pygame.event.* and needs to be called after mixer.init() otherwise no sound is played
with io.BytesIO() as f:  # use a memory stream
    f.write(response.audio_content)
    f.seek(0)
    pygame.mixer.music.load(f)
    pygame.mixer.music.set_endevent(pygame.USEREVENT)
    pygame.event.set_allowed(pygame.USEREVENT)
    pygame.mixer.music.play()
    pygame.event.wait()  # play() is asynchronous. This wait forces the speaking to be finished before closing f and returning
    while pygame.mixer.music.get_busy():
        pygame.time.Clock().tick(10)
 
pygame.mixer.music.fadeout(1000)
pygame.mixer.music.stop()
投稿コメント 0
コメントを投稿するには、サインインするかアカウントを作成してください。

Tagged with:
text-to-speech