【GCP】Text To Speechで音声合成を試す(ターミナルからのリクエストで合成する)

はじめに

• 音声合成を行うまでの手順を、メモしながら確認進める。

公式ドキュメント

https://cloud.google.com/text-to-speech/docs/create-audio-text-command-line?hl=ja

デモページ

https://cloud.google.com/text-to-speech?hl=ja

今回試した環境

無料プログラムの概要

• 90日間 $300相当のクレジットが付与される
• 無料枠の制限の範囲内であれば課金されることはない
• 無料トライアル登録時に、クレカ情報の登録は必要（本人確認のために必要）

音声合成確認までの、大まかなフローまとめ

https://cloud.google.com/text-to-speech/docs/before-you-begin?hl=ja

1. 新規GCPプロジェクト作成
2. Text To Speechサービスの有効化
3. サービスアカウントの作成
   3-1. サービスアカウントを新規作成する
   3-2. サービスアカウントに JSON キーを作成する
   3-3. 認証情報の環境変数を設定する
4. gcloud CLI をインストール
5. コマンドラインを使用してテキストから音声を作成する
   5-1. gcloud CLI を使って、認証トークンを取得する
   5-2. コマンドラインで、テキストから音声合成を行う（※直接音声ファイルが生成される訳ではない）
   5-3. 音声合成結果のデータをデコードし、音声ファイルを生成する

１、新規GCPプロジェクト作成

1. ダッシュボードから、[プロジェクトの選択] > [新しいプロジェクト] を選択
2. 任意のプロジェクト名を入力し、作成

２、Text To Speechサービスの有効化

1. メニューから、[APIとサービス] > [ライブラリ] を選択
2. 検索欄で "Text To Speech" を検索 > [Cloud Text-to-Speech] を選択
3. Text To Speechサービス内の、[有効にする] を選択

３、サービスアカウントの作成

３−１、サービスアカウントを新規作成する

1. メニュー内の、[サービスアカウント] > [サービスアカウントを作成] を選択
2. [サービスアカウントの詳細] を任意の値で入力 > [完了] を選択
   ※今回は必須項目だけ入力とした。作成完了後、サービスアカウントが追加されていたらOK。
   
   
   

３−２、サービスアカウントに JSON キーを作成する

1. タブメニューから、[キー] > [鍵を追加] を選択
2. キータイプを [JSON] とし、[作成] を選択
3. 作成ボタン選択後、JSONファイルがPCにダウンロードされることを確認する
4. ダウンロード後のJSONファイルは、任意の場所に格納する
   ※今回はユーザーディレクトリ直下にGCP用のフォルダを作成し、格納した。
   
   
   
   

３−３、認証情報の環境変数を設定する

1. ターミナルを起動する（私の環境だとiTerm2を利用）
2. 以下コマンドを実行し、環境変数の設定を行う

export GOOGLE_APPLICATION_CREDENTIALS="KEY_PATH"

# 例： export GOOGLE_APPLICATION_CREDENTIALS="/Users/GCP-Keys/xxxxxxxxxx.json"

４、gcloud CLI をインストール

https://cloud.google.com/sdk/docs/install?hl=ja

1. Pythonのインストール状況を確認する
   ※Python3（3.8～3.9）が既にインストール済みだったので、今回はPythonインストールをスキップした。

# 以下いずれかのコマンドで、Pythonバージョンを確認
python3 -V
python -V

2. 上記公式サイトより、環境に合った gcloud CLI をダウンロードする
3. ダウンロードしたファイルを、任意の場所に展開する
   ※今回は、ユーザーディレクトリ直下に展開した（例： /Users/ユーザー名/展開先）

# tar.gzの展開コマンド例
tar zxvf google-cloud-cli-447.0.0-darwin-arm.tar.gz

4. インストールスクリプトを使用して、gcloud CLIツールをPATHに追加

# 展開したフォルダのルートから以下を実行する
./google-cloud-sdk/install.sh

5. gcloud CLI を初期化

# 展開したフォルダのルートから以下を実行する
tar zxvf google-cloud-cli-447.0.0-darwin-arm.tar.gz

５、コマンドラインを使用してテキストから音声を作成する

５−１、コマンドラインで、テキストから音声合成を行う（※直接音声ファイルが生成される訳ではない）

1. リクエスト本文を、「request.json」として保存する（ファイル名は任意の名称で可）
   ※以下は公式のサンプルデータ

{
  "input":{
    "text":"Android is a mobile operating system developed by Google, based on the Linux kernel and designed primarily for touchscreen mobile devices such as smartphones and tablets."
  },
  "voice":{
    "languageCode":"en-gb",
    "name":"en-GB-Standard-A",
    "ssmlGender":"FEMALE"
  },
  "audioConfig":{
    "audioEncoding":"MP3"
  }
}

2. curlコマンドを使い、音声合成のリクエストを実行する。
   ※「request.json」が存在するディレクトリ配下で実行する。

curl -X POST \
    -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
    -H "Content-Type: application/json; charset=utf-8" \
    -d @request.json \
    "https://texttospeech.googleapis.com/v1/text:synthesize"

# レスポンス例
{
  "audioContent": "//NExAxxxxxxxxxxxxxxxxxxxxx 〜長いので省略〜"
}

５−２、音声合成結果のデータをデコードし、音声ファイルを生成する

1. リクエスト結果内の、「audioContent」の値をコピーし（上記の"/NExAxxxxxxxxxxxxxxxxxx"の部分）、テキストファイルに保存する。
2. 以下コマンドを実行し、デコードして音声ファイルを生成する
   ※公式サイトのコマンドだと、「-i」オプションがなかった。付けないと正常に実行できなかったので、付与した。

base64 --decode -i SOURCE_BASE64_TEXT_FILE.txt > DESTINATION_AUDIO_FILE.mp3

音声合成周りの、公式ドキュメント

https://cloud.google.com/text-to-speech/docs/base64-decoding?hl=ja
https://cloud.google.com/text-to-speech/docs/voices?hl=ja
https://cloud.google.com/text-to-speech/docs/create-audio?hl=ja

合成周りの特徴メモ

• 合成時には、以下の調整が可能（参考元）

• 音声タイプは以下がある（参考元）