Как начать работу с Google Cloud Text-to-Speech API?

В этом руководстве мы познакомим вас с процессом настройки и использования Google Cloud Text-to-Speech API, включая примеры и фрагменты кода.

Содержание

Представляем API Google для преобразования текста в речь
Использование API Google для преобразования текста в речь
Предварительные условия
Тонкая настройка параметров преобразования текста в речь Google
Заключение

Представляем API Google для преобразования текста в речь

Вам, как инженеру-программисту, часто необходимо интегрировать различные API в свои приложения, чтобы расширить их функциональность. Google Cloud Text-to-Speech API — это мощный инструмент, который преобразует текст в естественно звучащую речь.

Наиболее распространенные варианты использования Google TTS API включают:

Доступность. Одним из основных применений технологии TTS является улучшение доступности для людей с нарушениями зрения или трудностями чтения. Преобразовывая текст в речь, API позволяет пользователям получать доступ к цифровому контенту через звук, упрощая навигацию по веб-сайтам, чтение статей и взаимодействие с онлайн-сервисами.
Виртуальные помощники. TTS API часто используется для включения виртуальных помощников и чат-ботов, предоставляя им возможность общаться с пользователями более человеческим образом. Это повышает удобство работы пользователей и позволяет разработчикам создавать более привлекательные и интерактивные приложения.
Электронное обучение. В сфере образования Google TTS API можно использовать для создания аудиоверсий учебников, статей и других учебных материалов. Это позволяет учащимся потреблять образовательный контент, находясь в пути, выполняя несколько задач одновременно или просто предпочитая слушать, а не читать.
Аудиокниги. Google TTS API можно использовать для преобразования письменного контента в аудиокниги, предоставляя пользователям альтернативный способ наслаждаться книгами, статьями и другими письменными материалами. Это не только экономит время и ресурсы на ручном повествовании, но также позволяет быстро создавать и распространять контент.
Изучение языков. API поддерживает несколько языков, что делает его ценным инструментом для приложений для изучения языков. Создавая точную и естественно звучащую речь, TTS API может помочь пользователям улучшить свои навыки аудирования, произношения и общего понимания языка.
Контент-маркетинг. компании могут использовать TTS API для создания аудиоверсий своих сообщений в блогах, статей и других маркетинговых материалов. Это позволяет им охватить более широкую аудиторию, включая тех, кто предпочитает слушать контент, а не читать его.
Телекоммуникации. TTS API можно интегрировать в системы интерактивного голосового ответа (IVR), что позволяет предприятиям автоматизировать звонки в службу поддержки, предоставлять информацию звонящим и направлять их в соответствующие отделы. Это помогает компаниям экономить время и ресурсы, сохраняя при этом высокий уровень удовлетворенности клиентов.

Использование API Google для преобразования текста в речь

Предварительные условия

Прежде чем мы начнем, убедитесь, что у вас есть следующее:

Аккаунт Google Cloud Platform (GCP).
Базовые знания программирования на Python.
Текстовый редактор или интегрированная среда разработки по вашему выбору.

Шаг 1. Включите API преобразования текста в речь

Войдите в свою учетную запись GCP и перейдите к консоли GCP.
Щелкните раскрывающийся список проектов и создайте новый проект или выберите существующий.
На левой боковой панели нажмите «API и сервисы» > «Библиотека».
Найдите API преобразования текста в речь и нажмите на результат.
Нажмите «Включить», чтобы включить API для вашего проекта.

Шаг 2. Создайте учетные данные API

На левой боковой панели нажмите «API и сервисы» > «Учетные данные».
Нажмите «Создать учетные данные» и выберите «Учетная запись службы».
Заполните необходимые данные и нажмите «Создать».
На странице Предоставление этой сервисной учетной записи доступа к проекту выберите роль пользователя Cloud Text-to-Speech API и нажмите Продолжить.
Нажмите «Готово», чтобы создать учетную запись службы.
В списке учетных записей служб щелкните только что созданную учетную запись службы.
В разделе «Ключи» нажмите «Добавить ключ» и выберите «JSON».
Загрузите файл ключа JSON и сохраните его в безопасном месте, так как он содержит конфиденциальную информацию.

Шаг 3: Настройте среду Python

Установите Google Cloud SDK.
Установите библиотеку преобразования текста в речь Google Cloud для Python:

  pip install --upgrade google-cloud-texttospeech

Задайте для GOOGLE_APPLICATION_CREDENTIALSпеременной среды путь к файлу ключа JSON, который вы скачали ранее:

  export GOOGLE_APPLICATION_CREDENTIALS="/path/to/your/keyfile.json"

(Замените /path/to/your/keyfile.jsonфактическим путем к файлу ключа JSON.)

Шаг 4: Создайте скрипт Python

Создайте новый скрипт Python (например, text_to_speech.py) и добавьте следующий код:

from google.cloud import texttospeech
def synthesize_speech(text, output_filename):

# Create a Text-to-Speech client
client = texttospeech.TextToSpeechClient()

# Set the text input
input_text = texttospeech.SynthesisInput(text=text)

# Configure the voice settings
voice = texttospeech.VoiceSelectionParams(
language_code="en-US",
ssml_gender=texttospeech.SsmlVoiceGender.FEMALE
)

# Set the audio configuration
audio_config = texttospeech.AudioConfig(
audio_encoding=texttospeech.AudioEncoding.MP3
)

# Perform the text-to-speech request
response = client.synthesize_speech(
input=input_text, voice=voice, audio_config=audio_config
)

# Save the audio to a file
with open(outputwb") as out:
out.write(response.audio_content)
print(f"Audio content written to '{output_filename}'")

# Test the text-to-speech function
synthesize_speech("Hello, world!", "output.mp3")

Этот сценарий определяет synthesize_speechфункцию, которая принимает в качестве аргументов текстовую строку и имя выходного файла. Он использует Google Cloud Text-to-Speech API для преобразования текста в речь и сохраняет полученный звук в виде файла MP3.

Шаг 5: Запустите скрипт

Выполните скрипт Python из командной строки:

python text_to_speech.py

Это создаст output.mp3файл, содержащий устную версию входного текста «Hello, world!».

Шаг 6 (необязательно): настройте параметры голоса и звука

Вы можете настроить параметры голоса и звука, изменив voiceи audio_configпеременные в synthesize_speechфункции. Например, чтобы изменить язык, замените en-USкод другого языка (например, es-ESиспанского). Чтобы изменить пол, замените texttospeech.SsmlVoiceGender.FEMALEна texttospeech.SsmlVoiceGender.MALE.

Тонкая настройка параметров преобразования текста в речь Google

Google Speech-to-Text API предлагает широкий спектр параметров конфигурации, которые позволяют разработчикам точно настраивать поведение API в соответствии с конкретными вариантами использования. Некоторые из наиболее распространенных параметров конфигурации и варианты их использования включают в себя:

Audio Encoding : указывает формат кодирования аудиофайла, отправляемого в API. Поддерживаемые форматы кодирования включают FLAC, LINEAR16, MULAW, AMR, AMR_WB, OGG_OPUSи SPEEX_WITH_HEADER_BYTE. Разработчики могут выбрать подходящий формат кодирования в зависимости от источника входного сигнала, качества звука и целевого приложения.
Частота дискретизации аудио : указывает частоту дискретизации аудиофайла. Поддерживаемые частоты дискретизации включают 8000, 16000, 22050 и 44100 Гц. Разработчики могут выбрать подходящую частоту дискретизации в зависимости от источника входного сигнала и требований целевого приложения.
Код языка : указывает язык вводимой речи. Поддерживаемые языки включают широкий спектр вариантов, таких как английский, испанский, французский, немецкий, китайский и многие другие. Разработчики могут использовать этот параметр, чтобы гарантировать, что API точно транскрибирует входную речь на соответствующем языке.
Модель : позволяет разработчикам выбирать между различными моделями транскрипции, предоставляемыми Google. Доступные модели включают модели по умолчанию, видео, phone_callи command_and_search. Разработчики могут выбрать подходящую модель в зависимости от источника ввода и требований целевого приложения.
Речевые контексты : позволяют разработчикам указывать определенные слова или фразы, которые могут появиться во входной речи. Это может повысить точность транскрипции, предоставив API контекст для входной речи.

Эти параметры конфигурации можно комбинировать различными способами для создания пользовательских конфигураций, которые лучше всего подходят для конкретных случаев использования. Например, разработчик может настроить API для расшифровки телефонного звонка на испанском языке с использованием определенной модели транскрипции и пользовательского списка речевых контекстов для повышения точности.

В целом, Google Speech-to-Text API — это мощный инструмент для преобразования речи в текст, а возможность настраивать его конфигурацию делает его еще более универсальным. Тщательно выбирая соответствующие параметры конфигурации, разработчики могут оптимизировать производительность и точность API для широкого спектра вариантов использования.

Заключение

В этом руководстве мы показали, как начать работу с Google Cloud Text-to-Speech API, включая настройку учетной записи GCP, создание учетных данных API, установку необходимых библиотек и написание скрипта Python для преобразования текста или SSML в речь. Теперь вы можете интегрировать эту функцию в свои приложения, чтобы улучшить взаимодействие с пользователем, создавать аудиоконтент или поддерживать специальные возможности.