將 Text-to-Speech API 與 Python 搭配使用

1. 總覽

開發人員可透過 Text-to-Speech API 生成類似人類的語音。這項 API 會將文字轉換為 WAV、MP3 或 Ogg Opus 等音訊格式。此外，這項服務也支援語音合成標記語言 (SSML) 輸入內容，可指定停頓點、數字、日期與時間格式設定，以及其他發音指示。

在本教學課程中，您將著重於使用 Python 搭配 Text-to-Speech API。

課程內容

如何設定環境
如何列出支援的語言
如何列出可用語音
如何從文字合成音訊

軟硬體需求

具備 Google Cloud 專案
Chrome 或 Firefox 瀏覽器
熟悉 Python

問卷調查

您會如何使用本教學課程？

僅閱讀

閱讀並完成練習

你對 Python 的使用體驗如何？

新手

中級

熟練

你對 Google Cloud 服務的體驗滿意嗎？

新手

中級

熟練

2. 設定和需求條件

自修實驗室環境設定

登入 Google Cloud 控制台，然後建立新專案或重複使用現有專案。如果沒有 Gmail 或 Google Workspace 帳戶，請先建立帳戶。

專案名稱是這個專案參與者的顯示名稱。這是 Google API 未使用的字元字串。你隨時可以更新。
專案 ID 在所有 Google Cloud 專案中都是不重複的，而且設定後即無法變更。Cloud 控制台會自動產生專屬字串，通常您不需要在意該字串為何。在大多數程式碼研究室中，您需要參照專案 ID (通常標示為 PROJECT_ID)。如果您不喜歡產生的 ID，可以產生另一個隨機 ID。你也可以嘗試使用自己的名稱，看看是否可用。完成這個步驟後就無法變更，且專案期間會維持不變。
請注意，有些 API 會使用第三個值，也就是「專案編號」。如要進一步瞭解這三種值，請參閱說明文件。

接著，您需要在 Cloud 控制台中啟用帳單，才能使用 Cloud 資源/API。完成這個程式碼研究室的費用不高，甚至可能完全免費。如要關閉資源，避免在本教學課程結束後繼續產生費用，請刪除您建立的資源或專案。Google Cloud 新使用者可參加價值$300 美元的免費試用計畫。

啟動 Cloud Shell

雖然您可以透過筆電遠端操作 Google Cloud，但在本程式碼研究室中，您將使用 Cloud Shell，這是 Cloud 中執行的指令列環境。

啟用 Cloud Shell

在 Cloud 控制台，點選「啟用 Cloud Shell」圖示。

如果您是首次啟動 Cloud Shell，系統會顯示中繼畫面，說明這個指令列環境。如果出現中繼畫面，請按一下「繼續」。

佈建並連至 Cloud Shell 預計只需要幾分鐘。

這部虛擬機器已載入所有必要的開發工具，並提供永久的 5 GB 主目錄，而且可在 Google Cloud 運作，大幅提升網路效能並強化驗證功能。本程式碼研究室幾乎所有工作都可在瀏覽器上完成。

連至 Cloud Shell 後，您應該會看到驗證已完成，專案也已設為獲派的專案 ID。

在 Cloud Shell 中執行下列指令，確認您已通過驗證：

gcloud auth list

指令輸出

 Credentialed Accounts
ACTIVE  ACCOUNT
*       <my_account>@<my_domain.com>

To set the active account, run:
    $ gcloud config set account `ACCOUNT`

在 Cloud Shell 中執行下列指令，確認 gcloud 指令知道您的專案：

gcloud config list project

指令輸出

[core]
project = <PROJECT_ID>

如未設定，請輸入下列指令手動設定專案：

gcloud config set project <PROJECT_ID>

指令輸出

Updated property [core/project].

3. 環境設定

如要開始使用 Text-to-Speech API，請先在 Cloud Shell 中執行下列指令，啟用 API：

gcloud services enable texttospeech.googleapis.com

畫面應如下所示：

Operation "operations/..." finished successfully.

現在您可以使用 Text-to-Speech API 了！

前往主目錄：

cd ~

建立 Python 虛擬環境，隔離依附元件：

virtualenv venv-texttospeech

啟動虛擬環境：

source venv-texttospeech/bin/activate

安裝 IPython 和 Text-to-Speech API 用戶端程式庫：

pip install ipython google-cloud-texttospeech

畫面應如下所示：

...
Installing collected packages: ..., ipython, google-cloud-texttospeech
Successfully installed ... google-cloud-texttospeech-2.16.3 ...

現在，您可以使用 Text-to-Speech API 用戶端程式庫了！

在接下來的步驟中，您會使用名為 IPython 的互動式 Python 解譯器，這個解譯器已在先前的步驟中安裝。在 Cloud Shell 中執行 ipython，啟動工作階段：

ipython

畫面應如下所示：

Python 3.9.2 (default, Feb 28 2021, 17:03:44)
Type 'copyright', 'credits' or 'license' for more information
IPython 8.18.1 -- An enhanced Interactive Python. Type '?' for help.

In [1]:

您已準備好發出第一個要求，並列出支援的語言...

4. 列出支援的語言

本節會列出所有支援的語言。

將下列程式碼複製到 IPython 工作階段：

from typing import Sequence

import google.cloud.texttospeech as tts


def unique_languages_from_voices(voices: Sequence[tts.Voice]):
    language_set = set()
    for voice in voices:
        for language_code in voice.language_codes:
            language_set.add(language_code)
    return language_set


def list_languages():
    client = tts.TextToSpeechClient()
    response = client.list_voices()
    languages = unique_languages_from_voices(response.voices)

    print(f" Languages: {len(languages)} ".center(60, "-"))
    for i, language in enumerate(sorted(languages)):
        print(f"{language:>10}", end="\n" if i % 5 == 4 else "")

請花點時間研究程式碼，瞭解如何使用 list_voices 用戶端程式庫方法建構支援語言清單。

呼叫函式：

list_languages()

您應該會看到下列 (或更多) 清單：

---------------------- Languages: 58 -----------------------
     af-ZA     am-ET     ar-XA     bg-BG     bn-IN
     ca-ES    cmn-CN    cmn-TW     cs-CZ     da-DK
     de-DE     el-GR     en-AU     en-GB     en-IN
     en-US     es-ES     es-US     eu-ES     fi-FI
    fil-PH     fr-CA     fr-FR     gl-ES     gu-IN
     he-IL     hi-IN     hu-HU     id-ID     is-IS
     it-IT     ja-JP     kn-IN     ko-KR     lt-LT
     lv-LV     ml-IN     mr-IN     ms-MY     nb-NO
     nl-BE     nl-NL     pa-IN     pl-PL     pt-BR
     pt-PT     ro-RO     ru-RU     sk-SK     sr-RS
     sv-SE     ta-IN     te-IN     th-TH     tr-TR
     uk-UA     vi-VN    yue-HK

清單會顯示 58 種語言和方言，例如：

中文和臺灣華語
澳洲、英國、印度和美國的英文，
加拿大和法國的法文，
巴西和葡萄牙的葡萄牙文。

這份清單會隨著新語音推出而擴增。

摘要

這個步驟可讓你列出支援的語言。

5. 列出可用語音

本節會列出不同語言可用的語音。

將下列程式碼複製到 IPython 工作階段：

import google.cloud.texttospeech as tts


def list_voices(language_code=None):
    client = tts.TextToSpeechClient()
    response = client.list_voices(language_code=language_code)
    voices = sorted(response.voices, key=lambda voice: voice.name)

    print(f" Voices: {len(voices)} ".center(60, "-"))
    for voice in voices:
        languages = ", ".join(voice.language_codes)
        name = voice.name
        gender = tts.SsmlVoiceGender(voice.ssml_gender).name
        rate = voice.natural_sample_rate_hertz
        print(f"{languages:<8} | {name:<24} | {gender:<8} | {rate:,} Hz")

請花點時間研究程式碼，瞭解如何使用用戶端程式庫方法 list_voices(language_code) 列出特定語言適用的語音。

現在，請取得可用的德文語音清單：

list_voices("de")

畫面應如下所示：

------------------------ Voices: 20 ------------------------
de-DE    | de-DE-Neural2-A          | FEMALE   | 24,000 Hz
de-DE    | de-DE-Neural2-B          | MALE     | 24,000 Hz
...
de-DE    | de-DE-Standard-A         | FEMALE   | 24,000 Hz
de-DE    | de-DE-Standard-B         | MALE     | 24,000 Hz
...
de-DE    | de-DE-Studio-B           | MALE     | 24,000 Hz
de-DE    | de-DE-Studio-C           | FEMALE   | 24,000 Hz
de-DE    | de-DE-Wavenet-A          | FEMALE   | 24,000 Hz
de-DE    | de-DE-Wavenet-B          | MALE     | 24,000 Hz
...

提供多種男女聲音，以及標準、WaveNet、Neural2 和 Studio 聲音：

標準語音是由訊號處理演算法生成。
WaveNet、Neural2 和 Studio 語音是由機器學習模型合成，音質較高，聽起來更自然。

現在，請取得可用的英文語音清單：

list_voices("en")

您應該會看到如下內容：

------------------------ Voices: 90 ------------------------
en-AU    | en-AU-Neural2-A          | FEMALE   | 24,000 Hz
...
en-AU    | en-AU-Wavenet-A          | FEMALE   | 24,000 Hz
...
en-GB    | en-GB-Neural2-A          | FEMALE   | 24,000 Hz
...
en-GB    | en-GB-Wavenet-A          | FEMALE   | 24,000 Hz
...
en-IN    | en-IN-Standard-A         | FEMALE   | 24,000 Hz
...
en-IN    | en-IN-Wavenet-A          | FEMALE   | 24,000 Hz
...
en-US    | en-US-Neural2-A          | MALE     | 24,000 Hz
...
en-US    | en-US-News-K             | FEMALE   | 24,000 Hz
...
en-US    | en-US-Standard-A         | MALE     | 24,000 Hz
...
en-US    | en-US-Studio-M           | MALE     | 24,000 Hz
...
en-US    | en-US-Wavenet-A          | MALE     | 24,000 Hz
...

除了提供多種不同性別和音質的聲音外，還支援多種口音，包括澳洲、英國、印度和美國英語。

請花點時間列出偏好語言和變體 (或所有語言和變體) 適用的語音：

list_voices("fr")
list_voices("pt")
list_voices()

摘要

這個步驟可讓您列出可用的語音。進一步瞭解支援的語音和語言。

6. 從文字合成音訊

您可以使用 Text-to-Speech API 將字串轉換為音訊資料。您可以透過各種方式設定語音合成的輸出，包括選取不重複的語音或調節輸出的音調、音量、說話速度和取樣率。

將下列程式碼複製到 IPython 工作階段：

import google.cloud.texttospeech as tts


def text_to_wav(voice_name: str, text: str):
    language_code = "-".join(voice_name.split("-")[:2])
    text_input = tts.SynthesisInput(text=text)
    voice_params = tts.VoiceSelectionParams(
        language_code=language_code, name=voice_name
    )
    audio_config = tts.AudioConfig(audio_encoding=tts.AudioEncoding.LINEAR16)

    client = tts.TextToSpeechClient()
    response = client.synthesize_speech(
        input=text_input,
        voice=voice_params,
        audio_config=audio_config,
    )

    filename = f"{voice_name}.wav"
    with open(filename, "wb") as out:
        out.write(response.audio_content)
        print(f'Generated speech saved to "{filename}"')

請花點時間研究程式碼，瞭解如何使用 synthesize_speech 用戶端程式庫方法產生音訊資料，並儲存為 wav 檔案。

現在，你可以用幾種不同的口音生成句子：

text_to_wav("en-AU-Neural2-A", "What is the temperature in Sydney?")
text_to_wav("en-GB-Neural2-B", "What is the temperature in London?")
text_to_wav("en-IN-Wavenet-C", "What is the temperature in Delhi?")
text_to_wav("en-US-Studio-O", "What is the temperature in New York?")
text_to_wav("fr-FR-Neural2-A", "Quelle est la température à Paris ?")
text_to_wav("fr-CA-Neural2-B", "Quelle est la température à Montréal ?")

畫面應如下所示：

Generated speech saved to "en-AU-Neural2-A.wav"
Generated speech saved to "en-GB-Neural2-B.wav"
Generated speech saved to "en-IN-Wavenet-C.wav"
Generated speech saved to "en-US-Studio-O.wav"
Generated speech saved to "fr-FR-Neural2-A.wav"
Generated speech saved to "fr-CA-Neural2-B.wav"

如要一次下載所有產生的檔案，可以在 Python 環境中使用下列 Cloud Shell 指令：

!cloudshell download *.wav

驗證完成後，瀏覽器就會下載檔案：

開啟每個檔案並聆聽結果。

摘要

在本步驟中，您已使用 Text-to-Speech API 將句子轉換為音訊 wav 檔案。進一步瞭解如何建立語音音訊檔案。

7. 恭喜！

您已學會如何使用 Python 產生近似人類的語音，並瞭解如何使用 Text-to-Speech API！

清除所用資源

如要清除開發環境，請在 Cloud Shell 中執行下列指令：

如果仍在 IPython 工作階段中，請返回 Shell：exit
停止使用 Python 虛擬環境：deactivate
刪除虛擬環境資料夾：cd ~ ; rm -rf ./venv-texttospeech

如要刪除 Google Cloud 專案，請在 Cloud Shell 中執行下列操作：

擷取目前的專案 ID：PROJECT_ID=$(gcloud config get-value core/project)
確認這是要刪除的專案：echo $PROJECT_ID
刪除專案：gcloud projects delete $PROJECT_ID

瞭解詳情

在瀏覽器中測試試用版：https://cloud.google.com/text-to-speech
Text-to-Speech 說明文件：https://cloud.google.com/text-to-speech/docs
Google Cloud 上的 Python：https://cloud.google.com/python
Python 適用的 Cloud 用戶端程式庫：https://github.com/googleapis/google-cloud-python

授權

這項內容採用的授權為 Creative Commons 姓名標示 2.0 通用授權。