Всё о Google Cloud Text to Speech API

Генеративный ИИ и искусственный интеллект сделали серьёзный рывок. Преобразование текста в речь — идея не новая, ей уже много лет. Здесь есть множество аспектов, которые стоит разобрать, и я постараюсь подойти к теме с разных сторон. И новичкам, и опытным разработчикам это поможет понять возможности Google Text to Speech API.

Прежде чем углубляться, давайте зафиксируем основы. Определим важные термины и создадим базу для дальнейшего изучения.

Разобьём тему на две части: преобразование текста в речь и API, а затем рассмотрим роль Google Cloud.

Примечание редактора: Ищете лучший API преобразования текста в речь? Попробуйте простой в использовании и хорошо документированный Speechify API.

Текст в речь

Я много писал об этом — можете посмотреть мой блог Что такое текст в речь и полезные статьи о синтезе речи, чтобы лучше вникнуть в тему. Там всё расписано подробнее, а здесь я дам краткое резюме.

Технология преобразования текста в речь использует синтез речи, чтобы превращать написанное в голос с помощью ИИ. Сценариев применения масса: от помощи людям с дислексией и слабым зрением до повышения продуктивности.

API

API (Application Programming Interface) — это по сути мост между приложениями. Если вы создаёте приложение с озвучкой текста, реализовать функцию текст-в-речь можно с нуля или подключив готовый API.

Вы сосредоточены на разработке приложения и используете сторонний API как мост для преобразования текста в речь.

Google Cloud API

Здесь в дело вступает Google Cloud. Google создал мощный API для преобразования текста в речь и предлагает его разработчикам на разных условиях оплаты. Любой, кто делает приложения с функцией текст в речь, может использовать эти возможности Google. Да, TTS — это сокращение от text to speech.

Быстрее всего начать через Google Cloud Console: https://cloud.google.com/. Здесь есть обучающие материалы, управление аккаунтом, доступ к голосам wavenet и многое другое.

Google Cloud — это облачная платформа с модульными сервисами. Можно подключать любые из них по мере необходимости. Для доступа нужны ключи для авторизации — своего рода мост. Почти все услуги платные, но есть бесплатный лимит.

В 2014 году Google купил DeepMind за его технологии синтеза речи и работу с нейросетями. Сейчас DeepMind — часть Google.

Теперь, когда суть ясна, перейдём к Google Cloud Text to Speech API.

Возможности Google Text to Speech API

Google — одна из ведущих IT-компаний мира. В TTS API вы можете рассчитывать на передовые функции, которые постоянно совершенствуются.

Высокое качество речи

Голоса Google текст в речь — одни из лучших на рынке. Звучат максимально близко к живому голосу с естественными интонациями. TTS всё ещё развивается, и выигрывает тот, чья речь будет как можно более живой.

Выбор голосов

Google предлагает большой выбор голосов — ваш проект будет звучать по-своему и не потеряется среди приложений конкурентов.

Создание собственного голоса

Речь о клонировании голоса. Можно записать свой голос или чужой (с разрешения) и использовать его для озвучивания текста.

Нейронные голоса

Нейронные голоса дают максимум качества. Их удобно использовать для международной аудитории — поддерживается множество языков.

Студийные голоса

Студийные голоса — самые профессиональные. На слух их не отличить от записей в студии.

Настройка голоса

Можно выбрать голос и отрегулировать скорость, высоту, тембр и др., чтобы подстроить звучание под задачи.

Сколько стоит Google Text to Speech API?

Цена зависит от качества голоса и объёма текста. Чем естественнее речь хочет получить пользователь, тем выше стоимость. Но даже лучшие голоса остаются довольно доступными.

Разница между символами и байтами

Тут всё упирается в качество: чем выше, тем дороже. Кодирование и обработка текста в речь тарифицируются по-разному. В стандартных голосах расчёт идёт по символам — здесь ставка ниже.

Если в проекте 4 млн символов, озвучка стандартными голосами обойдётся в $16.

Для студийных голосов требуется больше ресурсов, и цена считается по байтам. В некоторых языках (например, японском) один символ может занимать несколько байт.

Для точных расчётов важно учитывать язык и понимать, сколько байт в среднем занимает один символ, и уже от этого отталкиваться при оценке стоимости.

Как подключить Google Cloud Text to Speech API?

1. Создайте аккаунт Google Cloud или войдите здесь
2. Создайте новый проект и дайте ему имя
3. Добавьте способ оплаты. Платите только за фактическое использование.
4. Выберите проект и привяжите его к платёжному аккаунту.
5. Активируйте Text-to-Speech API. В строке поиска введите "speech".
6. В списке выберите Cloud Text-to-Speech API
7. Настройте аутентификацию для среды разработки. Следуйте инструкциям по настройке авторизации Text-to-Speech.

Можно опробовать Text-to-Speech и без привязки к проекту:

1. Нажмите TRY THIS API.
2. Чтобы включить Text-to-Speech API для вашего проекта, нажмите ENABLE.

Ознакомьтесь с документацией Google Cloud для подробных инструкций.

Как отключить Text to Speech API

Чтобы отключить Text-to-Speech API, зайдите в консоль Google Cloud, нажмите «Go to APIs overview» в блоке с API. Найдите Text-to-Speech API, откройте его и выберите «DISABLE API» вверху страницы.

Начните работу с Google Text to Speech API

Когда проект создан, можно продолжить через командную строку.

gcloud init

Создайте локальную аутентификацию

gcloud auth application-default login

Теперь установите клиентскую библиотеку. Пример — для Node.js

npm install --save @google-cloud/text-to-speech

Google Cloud Text to Speech API поддерживает такие языки:

1. Go
2. Java
3. Node.js
4. C++
5. C#
6. PHP
7. Python
8. Ruby
9. TypeScript
10. Terraform
11. YAML

Как работает Google Cloud API?

Всё начинается с простого запроса к API. Вы отправляете текст, а в ответ получаете озвученный аудиофайл. В запросе можно указать голос, язык и т. д., а API текст в речь вернёт аудио.

Узнайте, как установить и использовать клиентские библиотеки, по этой ссылке. Примеры кода приведены для Node.js, также можно использовать Python, PHP и др.

const textToSpeech = require('@google-cloud/text-to-speech');
const fs = require('fs');
const util = require('util');

const client = new textToSpeech.TextToSpeechClient();

/**
 * TODO(developer): Uncomment the following lines before running the sample.
 */
// const text = 'Text to synthesize, eg. hello';
// const outputFile = 'Local path to save audio file to, e.g. output.mp3';

const request = {
  input: {text: text},
  voice: {languageCode: 'en-US', ssmlGender: 'FEMALE'},
  audioConfig: {audioEncoding: 'MP3'},
};
const [response] = await client.synthesizeSpeech(request);
const writeFile = util.promisify(fs.writeFile);
await writeFile(outputFile, response.audioContent, 'binary');
console.log(`Audio content written to file: ${outputFile}`);

Вот и всё. Google Cloud Text to Speech API настроен, и вы выполнили первый запрос. Можно получать аудио в разных форматах: от OGG до MP3.

Где можно применить Google Text to Speech API

Google Text to Speech (TTS) API — универсальное решение для разных сфер. Вот самые распространённые сценарии:

1. Текст в речь для слабовидящих: Озвучивание текста для удобного восприятия информации людьми с нарушением зрения.
2. Автоматизация телефонных систем: Голосовое меню и автоответы в колл-центрах и справочных службах.
3. Озвучивание медиа-контента: Генерация голоса для видео, подкастов и других мультимедийных материалов.
4. Озвучка переведённого текста: Превращение перевода в аудио — для изучения языков и международного контента.
5. Поддержка для дислектиков: Функция TTS помогает людям с дислексией и трудностями чтения.
6. Голосовая навигация: Внедрение голосовых подсказок в навигационные приложения.
7. Озвучка образовательного контента: Преобразование учебных материалов в речь для лучшего усвоения и вовлечения.
8. Синтез речи для продуктивности: Интеграция TTS в приложения для заметок, задач и др. для голосовой обратной связи.
9. Голос виртуальных ассистентов: Натуральное TTS для более комфортного общения с ассистентами.
10. Голосовые оповещения: Озвученные уведомления и статусы на устройствах IoT для информирования пользователя.

Лучшие альтернативы Google Cloud TTS API

По состоянию на январь 2022 года существует множество альтернатив Google Text to Speech API. Возможно, функционал и популярность некоторых уже изменились. Вот основные варианты:

1. Speechify Text to Speech API: Speechify Text to Speech API — более 1000 реалистичных и эмоциональных ИИ-голосов на 60+ языках и диалектах. Забронируйте место.
2. Amazon Polly: Сервис от AWS, генерирует естественную речь на разных языках и с разными голосами. Отлично интегрируется с другими сервисами AWS.
3. Microsoft Azure Speech Service: В Azure Speech Service есть TTS-функции для ассистентов, навигационных систем и других приложений.
4. IBM Watson Text to Speech: IBM Watson позволяет превращать текст в естественную речь с помощью разных голосов.
5. Nuance Communications: Nuance предлагает комплексные решения по распознаванию и синтезу речи, в том числе текст в речь для медицины, автоиндустрии и клиентского сервиса.
6. CereProc: CereProc — разработчик технологий текст в речь, предлагающий высококачественные синтетические голоса (для доступности, развлечений и связи).
7. iSpeech: iSpeech — облачные сервисы преобразования текста в речь с поддержкой разных языков. Используется в мобильных приложениях и на сайтах.
8. ResponsiveVoice: ResponsiveVoice — доступный и простой API текст в речь для разных языков и веб-приложений.
9. Neospeech: Neospeech предлагает технологии текст в речь с фокусом на реалистичном звучании для e-learning и индустрии развлечений.
10. ReadSpeaker: ReadSpeaker предлагает онлайн- и офлайн-решения для сайтов, обучения и повышения доступности.
11. Acapelabox: Acapela Group предоставляет облачный API текст в речь с поддержкой разных языков и голосов.

FAQ