如何从 Google Cloud API Text-to-Speech 获取音素

Posted 2023-02-25

【中文标题】如何从 Google Cloud API Text-to-Speech 获取音素

【英文标题】：How to get phonemes from Google Cloud API Text-to-Speech

【发布时间】：2021-05-05 07:31:04

【问题描述】：

我正在关注 Google Cloud API Text-to-Speech Python 教程。我想知道是否有办法返回音素及其持续时间，这是生成解释语音的中间步骤。那可能吗？如果是这样，您能否请我参考文档，并希望有一些示例代码可以做到这一点。我搜索并找不到任何已经回答了我的问题的内容。

谢谢！ 伽玛

【参考方案1】：

提及从 Google Cloud API Text-to-Speech 获取音素的所有步骤。在第 3 部分中，您可以找到示例代码。 以下是您可以遵循的步骤：

[第 1 部分]

在 Google Cloud Console 的项目选择器页面上，选择或创建一个 Google Cloud 项目。

确保为您的 Cloud 项目启用了计费功能

启用 Cloud Text-to-Speech API。

创建服务帐号： 一种。在 GCP Console 中，转到创建服务帐号页面。 湾。选择一个项目。 C。在服务帐户名称字段中，输入名称。 Cloud Console 填写 基于此名称的服务帐户 ID 字段。 d。单击完成以完成创建服务帐户。 不要关闭浏览器窗口。您将在下一步中使用它。

创建服务帐号密钥： 一种。在 GCP Console 中，点击服务帐号的电子邮件地址 你创造的。 湾。单击键。 C。单击添加密钥，然后单击创建新密钥。 d。单击创建。 JSON 密钥文件已下载到您的计算机。 e.点击关闭。

将环境变量 GOOGLE_APPLICATION_CREDENTIALS 设置为包含您的服务帐号密钥的 JSON 文件的路径。此变量仅适用于您当前的 shell 会话，因此如果您打开一个新会话，请再次设置该变量。

示例 1. Linux 或 macOS export GOOGLE_APPLICATION_CREDENTIALS="KEY_PATH"

将 KEY_PATH 替换为包含您的服务帐户密钥的 JSON 文件的路径。

例如：- export GOOGLE_APPLICATION_CREDENTIALS="/home/user/Downloads/service-account-file.json"

示例 2。Windows

对于 powershell：

$env:GOOGLE_APPLICATION_CREDENTIALS="KEY_PATH"

将 KEY_PATH 替换为包含您的服务的 JSON 文件的路径 帐户密钥。

例如：

$env:GOOGLE_APPLICATION_CREDENTIALS="C:\Users\username\Downloads\service-account-file.json"

对于命令提示符：

set GOOGLE_APPLICATION_CREDENTIALS=KEY_PATH

将 KEY_PATH 替换为包含您的服务的 JSON 文件的路径 帐户密钥。

安装并初始化云 SDK。

[第 2 部分]

安装客户端库

pip install --upgrade google-cloud-texttospeech

[第 3 部分]

创建音频数据

现在您可以使用 Text-to-Speech 创建合成人类语音的音频文件。使用以下代码向 Text-to-Speech API 发送合成请求。

from google.cloud import texttospeech

client = texttospeech.TextToSpeechClient()

synthesis_input = texttospeech.SynthesisInput(text="Hello, World!")

voice = texttospeech.VoiceSelectionParams(
    language_code="en-US", ssml_gender=texttospeech.SsmlVoiceGender.NEUTRAL
)

audio_config = texttospeech.AudioConfig(
    audio_encoding=texttospeech.AudioEncoding.MP3
)

response = client.synthesize_speech(
    input=synthesis_input, voice=voice, audio_config=audio_config
)

with open("output.mp3", "wb") as out:
    out.write(response.audio_content)
    print('Audio content written to file "output.mp3"')

如果您遇到任何问题，请参考以下链接：

https://cloud.google.com/text-to-speech/docs/quickstart-client-libraries#client-libraries-install-python

【参考方案2】：

感谢您的回复@Akshansha。 我知道如何创建合成人类语音的音频文件。我的问题更多是关于如何获取音素或视位等元数据。例如，通过 Amazon Polly API，您可以在使用 Text-to-Speech 时获取此类数据：

"time":0,"type":"sentence","start":0,"end":23,"value":"Mary had a little lamb."
"time":6,"type":"word","start":0,"end":4,"value":"Mary"
"time":6,"type":"viseme","value":"p"
"time":73,"type":"viseme","value":"E"
"time":180,"type":"viseme","value":"r"
"time":292,"type":"viseme","value":"i"
"time":373,"type":"word","start":5,"end":8,"value":"had"
"time":373,"type":"viseme","value":"k"
"time":460,"type":"viseme","value":"a"
"time":521,"type":"viseme","value":"t"
"time":604,"type":"word","start":9,"end":10,"value":"a"
"time":604,"type":"viseme","value":"@"
"time":643,"type":"word","start":11,"end":17,"value":"little"
"time":643,"type":"viseme","value":"t"
"time":739,"type":"viseme","value":"i"
"time":769,"type":"viseme","value":"t"
"time":799,"type":"viseme","value":"t"
"time":882,"type":"word","start":18,"end":22,"value":"lamb"
"time":882,"type":"viseme","value":"t"
"time":964,"type":"viseme","value":"a"
"time":1082,"type":"viseme","value":"p"

我在问我们是否可以使用 Google Cloud API TTS 获得类似的结果？

谢谢， 伽玛

【讨论】：

从request options 看来，谷歌才刚刚开始（测试版）支持 SSML 标记，但没有像 AWS 那样提供音素计时

感谢您的回答@Luke。它可能会让我感兴趣，但我找不到任何关于如何使用它的例子。您是否有一些代码示例或一些链接在这个主题上更深入，因为谷歌的文档不是很精确，我不明白如何使用它。谢谢

AWS Polly 文档更友好，甚至IBM Watson's docs