「Octave TTS」を試す

!pip install hume aiofiles
!pip freeze | grep -i hume

hume==0.7.8

from google.colab import userdata
from hume import AsyncHumeClient
import asyncio

# Notebook環境では以下が必要
import nest_asyncio
nest_asyncio.apply()

# クライアントを初期化
hume = AsyncHumeClient(api_key=userdata.get('HUME_API_KEY'))

import base64
import aiofiles
from pathlib import Path, PosixPath

output_dir = Path("output")
os.makedirs(output_dir, exist_ok=True)

# 生成された音声データをファイルに出力する
async def write_result_to_file(base64_encoded_audio: str, filename: str) -> PosixPath:
    file_path = output_dir / f"{filename}.wav"
    audio_data = base64.b64decode(base64_encoded_audio)
    async with aiofiles.open(file_path, "wb") as f:
        await f.write(audio_data)
    print("出力しました: ", file_path)
    return file_path

from hume.tts import PostedUtterance
from IPython.display import Audio

speech1 = await hume.tts.synthesize_json(
    utterances=[
        PostedUtterance(
            # テキストをどう発話するかの説明
            description="A refined, British aristocrat", # 「洗練された英国貴族」
            # 発話するテキスト
            text="Take an arrow from the quiver.",       # 「矢筒から1本の矢を取り出せ」
        )
    ]
)
output_file = await write_result_to_file(speech1.generations[0].audio, "speech1_0")
display(Audio(output_file))

speech1.generations[0].generation_id

cXXXXXXX-6XXX-4XXX-aXXX-cXXXXXXXXXXX

generation_id = speech1.generations[0].generation_id
await hume.tts.voices.create(
    name="britshi-aristocrat-01", 
    generation_id=generation_id
)

ReturnVoice(id='fXXXXXXX-3XXXX-4XXXX-bXXXX-9XXXXXXXXXXX', name='BRITSHI-ARISTOCRAT-01')

from hume.tts import PostedContextWithGenerationId, PostedUtteranceVoiceWithName

speech2 = await hume.tts.synthesize_json(
    utterances=[
        PostedUtterance(
            # 前回作成した音声デザインを使用
            voice=PostedUtteranceVoiceWithName(name="britshi-aristocrat-01"),
            text="Now take a bow.",  # 「では、一礼してください。」
        )
    ],
    # 前回生成時の音声の続きを生成する場合はgeneration_idをcontextで指定
    context=PostedContextWithGenerationId(generation_id=generation_id),
    # 同時に生成するバリエーションの数
    num_generations=2,
)

output_file_1 = await write_result_to_file(speech2.generations[0].audio, "speech2_0")
output_file_2 = await write_result_to_file(speech2.generations[1].audio, "speech2_1")

display(Audio(output_file_1))
display(Audio(output_file_2))

speech3 = await hume.tts.synthesize_json(
    utterances=[
        PostedUtterance(
            # 
            voice=PostedUtteranceVoiceWithName(name="britshi-aristocrat-01"),
            # 演技指示を指定: 「皮肉と軽蔑を込めて、小声でささやく」
            description="Murmured softly, with a heavy dose of sarcasm and contempt",
            text="Does he even know how to use that thing?",  # 「彼はそれを使う方法を知っているのだろうか？」
        )
    ],
    context=PostedContextWithGenerationId(
        generation_id=speech2.generations[0].generation_id
    ),
    num_generations=1,
)

output_file_3 = await write_result_to_file(speech3.generations[0].audio, "speech3_0")
display(Audio(output_file_3))