Как начать работу с API преобразования текста в речь Google Cloud

В этом уроке мы проведем вас через процесс настройки и использования API Google Cloud Text-to-Speech, включая примеры и фрагменты кода.

Введение в API Google для Text-to-Speech

Как разработчик программного обеспечения, вам часто нужно интегрировать различные API в свои приложения для расширения их функциональности. API Google Cloud Text-to-Speech является мощным инструментом, который преобразует текст в естественно звучащий голос.

Наиболее распространенные случаи использования API Google TTS включают:

• Доступность: Одно из основных применений технологии TTS – улучшение доступности для лиц с нарушениями зрения или трудности с чтением. Преобразование текста в речь позволяет пользователям получать доступ к цифровому контенту через аудио, что облегчает им навигацию по веб-сайтам, чтение статей и взаимодействие с онлайн-услугами
• Виртуальные помощники: API TTS часто используется для питания виртуальных помощников и чат-ботов, предоставляя им возможность общаться с пользователями более человечным способом. Это улучшает пользовательский опыт и позволяет разработчикам создавать более интересные и интерактивные приложения.
• E-Learning: In the education sector, the Google TTS API can be utilized to create audio versions of textbooks, articles, and other learning materials. This enables students to consume educational content while on the go, multitasking, or simply preferring to listen rather than read.
• Аудиокниги: API Google TTS может использоваться для преобразования письменного контента в аудиокниги, предоставляя альтернативный способ для пользователей наслаждаться книгами, статьями и другими письменными материалами. Это не только экономит время и ресурсы на ручное озвучивание, но и позволяет быстро создавать и распространять контент.
• Изучение языков: API поддерживает множество языков, что делает его ценным инструментом для приложений по изучению языков. Генерируя точный и звучащий естественно речь, API TTS может помочь пользователям улучшить свои навыки слушания, произношения и общего понимания языка.
• Контент-маркетинг: Бизнесы могут использовать API TTS для создания аудиоверсий своих блогов, статей и других маркетинговых материалов. Это позволяет им привлечь более широкую аудиторию, включая тех, кто предпочитает слушать контент, а не читать его.
• Телекоммуникации: API TTS можно интегрировать в системы интерактивной голосовой реакции (IVR), что позволяет компаниям автоматизировать звонки для обслуживания клиентов, 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

Необходимые условия

Прежде чем начать, убедитесь, что у вас есть следующее:

• A Google Cloud Platform (GCP) account. If you don’t have one, sign up for a free trial here.
• Базовое знание программирования на Python.
• A text editor or integrated development environment of your choice.

Шаг 1: Включение API преобразования текста в речь

• Войдите в свою учетную запись GCP и перейдите на консоль GCP.
• Нажмите на выпадающее меню проекта и создайте новый проект или выберите существующий.
• В левой боковой панели нажмите на APIs & Services > Библиотека.
• Найдите API преобразования текста в речь и нажмите на результат.
• Нажмите Включить, чтобы включить API для вашего проекта.

Шаг 2: Создание учетных данных API

• В левой боковой панели нажмите на APIs & Services > Учетные данные.
• Нажмите Создать учетные данные и выберите Служебная учетная запись.
• Заполните необходимые данные и нажмите Создать.
• На странице Предоставить доступ этой служебной учетной записи к проекту выберите роль Пользователь API Cloud Text-to-Speech и нажмите Продолжить.
• Нажмите Готово, чтобы создать служебную учетную запись.
• В списке Служебные учетные записи нажмите на только что созданную служебную учетную запись.
• Под Ключами нажмите Добавить ключ и выберите JSON.
• Скачайте файл ключа JSON и храните его в безопасном месте, так как он содержит конфиденциальную информацию.

Шаг 3: Настройте вашу среду Python

• Установите пакет SDK Google Cloud, следуя инструкциям здесь.

• Установите библиотеку Google Cloud Text-to-Speech для Python:

    pip install --upgrade google-cloud-texttospeech
  

• Установите переменную окружения GOOGLE_APPLICATION_CREDENTIALS на путь к файлу ключа JSON, который вы скачали ранее:

    export GOOGLE_APPLICATION_CREDENTIALS="/путь/к/вашему/файлу_ключа.json"
  

  (Замените /путь/к/вашему/файлу_ключа.json на фактический путь к вашему файлу ключа JSON.)

Шаг 4: Создайте скрипт на Python

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

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

# Создание клиента для преобразования текста в речь
client = texttospeech.TextToSpeechClient()

# Установка входного текста
input_text = texttospeech.SynthesisInput(text=text)

# Настройка параметров голоса
voice = texttospeech.VoiceSelectionParams(
language_code="en-US",
ssml_gender=texttospeech.SsmlVoiceGender.FEMALE
)

# Настройка аудиоконфигурации
audio_config = texttospeech.AudioConfig(
audio_encoding=texttospeech.AudioEncoding.MP3
)

# Выполнение запроса преобразования текста в речь
response = client.synthesize_speech(
input=input_text, voice=voice, audio_config=audio_config
)

# Сохранение аудио в файл
with open(outputwb") as out:
out.write(response.audio_content)
print(f"Audio content written to '{output_filename}'")

# Тестирование функции преобразования текста в речь
synthesize_speech("Hello, world!", "output.mp3")

Этот скрипт определяет функцию `synthesize_speech`, которая принимает строку текста и имя выходного файла в качестве аргументов. Он использует API Google Cloud Text-to-Speech для преобразования текста в речь и сохраняет полученное аудио в формате MP3.

Шаг 5: Запустите скрипт

Выполните скрипт Python из командной строки:

python text_to_speech.py

Это создаст файл `output.mp3`, содержащий голосовую версию входного текста “Hello, world!”.

Шаг 6 (необязательно): Настройте голос и настройки аудио

Вы можете настроить голос и аудио параметры, изменив переменные voice и audio_config в функции synthesize_speech. Например, для изменения языка замените en-US на другой код языка (например, es-ES для испанского). Чтобы изменить гендер, замените texttospeech.SsmlVoiceGender.FEMALE на texttospeech.SsmlVoiceGender.MALE. Для получения дополнительных параметров обратитесь к документации API Text-to-Speech.

Настройка параметров Google Text-To-Speech

API Google Speech-to-Text предлагает широкий спектр параметров конфигурации, позволяющих разработчикам точно настроить поведение API под конкретные случаи использования. Некоторые из наиболее распространенных параметров конфигурации и их применение включают:

• Кодирование аудио: указывает формат кодирования аудиофайла, отправляемого в API. Поддерживаемые форматы кодирования включают FLAC, LINEAR16, MULAW, AMR, AMR_WB, OGG_OPUS и SPEEX_WITH_HEADER_BYTE. Разработчики могут выбрать соответствующий формат кодирования на основе источника ввода, качества аудио и целевого приложения.
• Частота дискретизации аудио: указывает частоту, с которой аудиофайл дискретизируется. Поддерживаемые частоты дискретизации включают 8000, 16000, 22050 и 44100 Гц. Разработчики могут выбрать соответствующую частоту дискретизации на основе источника ввода и требований целевого приложения.
• Код языка: указывает язык входной речи. Поддерживаемые языки включают широкий спектр вариантов, таких как английский, испанский, французский, немецкий, мандаринский и многие другие. Разработчики могут использовать этот параметр, чтобы убедиться, что API точно транскрибирует входную речь на соответствующем языке.
• Модель: позволяет разработчикам выбирать между различными моделями транскрибирования, предоставляемыми Google. Доступные модели включают стандартную, видео, телефонный_звонок, и команда_и_поиск. Разработчики могут выбрать подходящую модель на основе источника входных данных и требований целевого приложения.
• Контексты речи: позволяет разработчикам указывать конкретные слова или фразы, которые, скорее всего, появятся в входной речи. Это может улучшить точность транскрибирования, предоставляя API контекст для входной речи.

Эти параметры конфигурации могут быть объединены различными способами для создания пользовательских конфигураций, которые лучше всего подходят для конкретных случаев использования. Например, разработчик может настроить API для транскрибирования телефонного звонка на испанском с использованием конкретной модели транскрибирования и пользовательского списка контекстов речи для повышения точности.

В целом, API Google для преобразования речи в текст является мощным инструментом для транскрибирования речи в текст, и возможность настройки его конфигурации делает его еще более универсальным. Выбирая соответствующие параметры конфигурации тщательно, разработчики могут оптимизировать производительность и точность API для широкого диапазона случаев использования.

Заключение

В этом руководстве мы показали вам, как начать работу с API Google Cloud Text-to-Speech, включая настройку вашего аккаунта GCP, создание учетных данных API, установку необходимых библиотек и написание скрипта на Python для преобразования текста или SSML в речь. Теперь вы можете интегрировать эту функциональность в свои приложения для улучшения пользовательского опыта, создания аудиоконтента или поддержки функций доступности.

Часто задаваемые вопросы (FAQ) о API Google Cloud Text-to-Speech