GCPに音声合成APIがあることを知識としては知っているけど、使ったことがなかったので使ってみました。
ネットで見かけるサンプルはmp3ファイルに保存する例が多いけど、自分が使いたい用途はファイルに保存せずに再生だったので修正。
動作確認環境
Windows 11 バージョン22H2 (OSビルド 22621.1105)
ネットワーク：WiFi
python 3.10
処理時間
上記環境と下記プログラムで音声合成の処理時間は0.65秒～0.7秒ぐらい。
プログラム
必要に応じてpythonパッケージをインストール
pip install --upgrade google-cloud-texttospeech pyaudio
GCPの認証関連の設定をした上で、次のプログラムを実行
プログラム
from google.cloud import texttospeech
import pyaudio
import wave
import io
def tts(text: str, format_name: texttospeech.AudioEncoding) -> bytes:
print('tts setup')
client = texttospeech.TextToSpeechClient()
synthesis_input = texttospeech.SynthesisInput(text=text)
voice = texttospeech.VoiceSelectionParams(
name='ja-JP-Neural2-B',
language_code="ja-JP",
ssml_gender=texttospeech.SsmlVoiceGender.SSML_VOICE_GENDER_UNSPECIFIED
)
audio_config = texttospeech.AudioConfig(
audio_encoding=format_name,
# 読み上げ速度 (0.25～4.0)
speaking_rate=1.25,
# ピッチ (-20.0～20.0)
pitch=0,
# ゲイン (-96.0～16.0)。-6で半分。6で2倍。10以下を推奨
volume_gain_db=0.0,
# 他にもオプションあり
)
print('tts synthesize_speech')
start = time.perf_counter()
response = client.synthesize_speech(input=synthesis_input, voice=voice, audio_config=audio_config)
print(time.perf_counter() - start)
return response.audio_content
def tts_save_mp3(filename: str, text: str) -> None:
audio_content = tts(text, texttospeech.AudioEncoding.MP3)
print('save mp3')
with open(filename, "wb") as out:
out.write(audio_content)
def tts_save_wav(filename: str, text: str) -> None:
audio_content = tts(text, texttospeech.AudioEncoding.LINEAR16)
print('save wav')
with open(filename, "wb") as out:
out.write(audio_content)
def tts_play(text: str) -> None:
audio_content = tts(text, texttospeech.AudioEncoding.LINEAR16)
print('play')
wav_play(audio_content)
def wav_play(audio_content: bytes) -> None:
wf = wave.open(io.BytesIO(audio_content), 'rb')
pa = pyaudio.PyAudio()
stream = pa.open(
format=pyaudio.get_format_from_width(wf.getsampwidth()),
channels=wf.getnchannels(),
rate=wf.getframerate(),
output=True
)
chunk_size = 1024
data = wf.readframes(chunk_size)
while len(data) > 0:
stream.write(data)
data = wf.readframes(chunk_size)
stream.stop_stream()
stream.close()
pa.terminate()
if __name__ == "__main__":
tts_save_mp3('output.mp3', '音声合成結果をmp3ファイルとして出力しました')
tts_save_wav('output.wav', '音声合成結果をwavファイルとして出力しました')
tts_play('音声合成結果を再生しています')
リンクやメモ
WaveNet 音声、Neural2 音声の料金
1 文字あたり $0.000016 米ドル
100万文字あたり、$16.00 米ドル
無料枠100万文字/月
| 音声タイプ | 言語コード | 音声名 | SSML の性別 |
|---|---|---|---|
| Neural2 | ja-JP | ja-JP-Neural2-B | 女性 |
| Neural2 | ja-JP | ja-JP-Neural2-C | 男性 |
| Neural2 | ja-JP | ja-JP-Neural2-D | 男性 |
| WaveNet | ja-JP | ja-JP-Wavenet-A | 女性 |
| WaveNet | ja-JP | ja-JP-Wavenet-B | 女性 |
| WaveNet | ja-JP | ja-JP-Wavenet-C | 男性 |
| WaveNet | ja-JP | ja-JP-Wavenet-D | 男性 |
制限事項
1リクエストあたりの合計バイトには制限があり、5,000まで。
公式Pythonクライアントライブラリのソースコード
公式Pythonクライアントライブラリのドキュメント
・ベータ版だけど、Custom Voiceが提供されている。ただし、利用するには問い合わせ必要。
