Azure の Text-to-Speech API 使ってみる
Azure のText-to-Speech API 使ってみる
概要
Text-to_Speech とは文字データから合成発声データを作成する技術のことである
基本的には Microsoft の Cognitive Services の API リファレンス に従って API を叩けばできるが、音声データ作成処理に手間取ったりしたのでメモ書きとして残しておく
Cognitive Service を Python から叩くことを想定している
一連の流れをまとめたファイルは以下から閲覧できる https://gist.github.com/mitakeck/b2a953dfdf84b1e2c0d3c950d812ad0f
アクセストークンを取得する
なんか知らないけど、Cognitive Searvice のサブスクリプションキーを Azure で発行した後に、アクセストークンを取得しないといけないらしい
Header に Ocp-Apim-Subscription-Key をキーとして、サブスクリプションキーを挿入して https://api.cognitive.microsoft.com/sts/v1.0/issueToken へ POST すると返却値にアクセストークンが渡ってくる
ここで取得したアクセストークンは音声データを作成する際に使いまわすものになる
subscription_key = "< サブスクリプションキー >"
headers = {
"Content-type": "application/x-www-form-urlencoded",
"Ocp-Apim-Subscription-Key": subscription_key
}
access_token_host = "api.cognitive.microsoft.com"
path = "/sts/v1.0/issueToken"
conn = http.client.HTTPSConnection(access_token_host)
conn.request("POST", path, params, headers)
response = conn.getresponse()
print(response.status, response.reason)
data = response.read()
conn.close()
access_token = data.decode("UTF-8")
print ("Access Token: " + access_token)
音声データを作成する
音声データを作成するには https://speech.platform.bing.com/synthesize にデータを投げれば良い
上記のエンドポイントに対して喋らせる内容や声色はリクエストの POST クエリパラメータに SSML 形式 で入れて、アクセストークンや音声ファイルの形式なんかはリクエストの Header に入れればおｋ
プログラム中では日本語のテキストデータを与えると、発声データが wav ファイルとしてレスポンスデータに乗っかってくるので、ファイルとして書き出して保存する処理をしている
text = "日本語しゃべります"
body = "<speak version='1.0' xml:lang='en-us'><voice xml:lang='ja-jp' xml:gender='Female' name='Microsoft Server Speech Text to Speech Voice (ja-JP, Ayumi, Apollo)'>" + text + "</voice></speak>"
headers = {
"Content-type": "application/ssml+xml",
"X-Microsoft-OutputFormat": "riff-16khz-16bit-mono-pcm",
"Authorization": "Bearer " + access_token,
"User-Agent": "Meriken"
}
# https://speech.platform.bing.com/synthesize
conn = http.client.HTTPSConnection("speech.platform.bing.com")
conn.request("POST", "/synthesize", body.encode('utf-8'), headers)
response = conn.getresponse()
print(response.status, response.reason)
data = response.read()
conn.close()
wav = open("download-" + text + ".wav", "wb")
wav.write(data)
wav.close()
実際に作成された wav ファイルがこれ
声色を変えてみる
声色は何種類か用意されていて、日本語は男性声と女性声と 2 種類ある
ar-EG* Female
de-DE Female
de-DE Male
en-AU Female
en-CA Female
en-GB Female
en-GB Male
en-IN Male
en-US Female
en-US Male
es-ES Female
es-ES Male
es-MX Male
fr-CA Female
fr-FR Female
fr-FR Male
hi-IN Female
it-IT Male
ja-JP Female
ja-JP Male
ko-KR Female
pt-BR Male
ru-RU Female
ru-RU Male
zh-CN Female
zh-CN Female
zh-CN Male
zh-HK Female
zh-HK Male
zh-TW Female
zh-TW Male
英語の男性声でちょっと長めの文章を喋らせてみる
text = "The Voice Browser Working Group has sought to develop standards to enable access to the Web using spoken interaction. The Speech Synthesis Markup Language Specification is one of these standards and is designed to provide a rich, XML-based markup language for assisting the generation of synthetic speech in Web and other applications. The essential role of the markup language is to provide authors of synthesizable content a standard way to control aspects of speech such as pronunciation, volume, pitch, rate, etc. across different synthesis-capable platforms."
body = "<speak version='1.0' xml:lang='en-us'><voice xml:lang='en-US' xml:gender='Female' name='Microsoft Server Speech Text to Speech Voice (en-US, BenjaminRUS)'>" + text + "</voice></speak>"
headers = {
"Content-type": "application/ssml+xml",
"X-Microsoft-OutputFormat": "riff-16khz-16bit-mono-pcm",
"Authorization": "Bearer " + access_token,
"User-Agent": "Meriken"
}
# https://speech.platform.bing.com/synthesize
conn = http.client.HTTPSConnection("speech.platform.bing.com")
conn.request("POST", "/synthesize", body.encode('utf-8'), headers)
response = conn.getresponse()
print(response.status, response.reason)
data = response.read()
conn.close()
wav = open("sound2.wav", "wb")
wav.write(data)
wav.close()
出力結果はこれ
いい感じ
参照リンク