【Text to Speech】Azure Cognitive ServiceとPower Platformを連携してみよう

はじめに

こんにちは！出戻りガツオ🐟です。
AI時代が到来し、ワクワクしますね♬

AIをもっと楽しみたい！という方向けに、
推しのAzure AI Serviceを紹介させてください！

learnやBing AIでも調査できる時代かもしれませんが、
とりあえずやりたい！という人向けに 「こうやればいいのか！」 ということに繋がれば何よりです！

Azure Applied AI Services

Azure Applied AI Servicesは多様です。

• Azure Bot Service
• Azure Form Recognizer
• Azure Cognitive Search
• Azure Metrics Advisor
• Azure Video Indexer
• Azure Immersive Reader
• Azure Cognitive Services
• Azure Machine Learning

今回ご紹介するのは 「Azure Cognitive Services」

現在進行形でPower Appsを作成しており、

• Text to speech
• Speech to text
• Azure OpenAI

これを組み合わせた作品にしようと思っています！
作りながら同時に アウトプット！ ということで経験をシェアしていこうかと！

今回のテーマはText to speech!
文字から音声を生成するAI Serviceになります。

Azure Cognitive Service

Azureのサービスの一つとしてC#やPythonを使った連携も出来ますし、
APIを使った連携も可能。

Power AppsでもAI Builderが使えますが、
さらに多くのサービスに拡張することができます。

Azure + Power Platformで可能性は∞！！
Power Apps + Power Automateで楽しんでいこうと思います！

必要なもの

• Azure サブスクリプション
• Power Platform 開発環境
• Azure OpenAIが使える状態になっていること（申請が必要です）
• ワクワクした気持ち

Text to speech

今回は「Text to speech」を使って、
Power AppsでLabelのテキストを読み上げするアプリを
作っていきます。

ちょうど今日完成したものがこちら！

上記の動画に限らず、音声の設定も色々な種類に変えられます。

例を見るにはCognitive ServiceのSpeech Studioが最適です！
どんな音声なのか、などサンプルが聞けたりみれますよ♪

Azureでリソースを作成する

まずはCognitive Servicesのリソースを作成します。

上記のようなマークです。
※Azureのリソースの作成方法などは今回割愛します。

この中で使うサービスは 「音声サービス」(Speech Service) です。

このリソースを作成することにより、独自のAPIを作成して、
自分好みのAI活用が実現できます。

詳しくは「AI-900: Microsoft Azure AI Fundamentals」のラーニングパスをオススメします。

Text to speechをPower Automateで使うには

音声サービスがアクティブなので、やることは単純です。
POSTでURIにHTTP要求を発信します。

ヘッダーは

key	value
Ocp-Apim-Subscription-Key	自分のサブスクリプションキー
Content-Type	application/ssml+xml
X-Microsoft-OutputFormat	audio-16khz-128kbitrate-mono-mp3

上記を設定します。

SSMLとは

Speech Synthesis Markup Languageというマークアップ言語です。
XMLベースマークアップ言語になります。

この言語によって

• 言葉
• 性別
• スピーカーのモデル
  を設定することができます。

今回は下記の設定です。

param	value
language	English US
Gender	Male
Model	ChristopherNeural

Modelは 事前構築済みのニューラル音声 です。
驚くほど自然な読み上げを実現することが出来ます。

今回使用しているのは事前構築済みの音声ですが、カスタムモデルも作成ができますので
物凄い技術だなと圧巻です。

ちなみに上記の情報は、Speech Studioの他のモデルにも変えることができます。
詳しくは下記をご参照ください。

エスケープ文字があり、若干わかりづらいですが、
lang gender nameを設定すれば、モデルを変えることがわかります。

Power Appsの設定

今回はボタンコントロールで、Label1のTextを引数にして、コンテキスト変数に音声データを格納します。
戻り値はbase64形式なので、オーディオ要素のMediaプロパティは、
数式の先頭にdata:audio/mpeg;base64,を追加すれば上手く機能します。

Media

data:audio/mpeg;base64,(戻り値のテキスト)

Power Automateの設定

ボタンのOnSelectプロパティにPower Automateを設定します。
Label1のTextをフローに渡します。

Power Automate

HTTPの設定

config	Value
方法	POST
URI	https://{Cognitive ServiceのRegion}.tts.speech.microsoft.com/cognitiveservices/v1

Body

<speak version='1.0' xml:lang='en-US'><voice xml:lang='en-US' xml:gender='Male'
    name='en-US-ChristopherNeural'>
        @{triggerBody()['text']}
</voice></speak>

HTTP要求が成功するとオブジェクト値が返ってくるのでbodyの中の$contentを抽出します。

Power Automateの戻り値は下記の通りとなります。

@{body('HTTP')?['$content']}

実行することによってbase64形式の文字列が返ってきます。
私の環境ではフローの完了までとても速いです。

👆に掲載したTwitterの動画で、試しにSteve Jobsの名演説を流してみてください。

凄くクリアに聞こえます。ニューラル音声恐るべしです。

今後の展望

今回はText to speechを紹介しましたが、

• Azure OpenAI
• Speech to text
  にも触れていきます。

検証しているのは、English Reading Appsなので、
AIを叩いて英語学習を楽しんでみる予定です！

今後のQiitaにもご注目ください！

いつかこのネタで登壇するつもりです🐟✨

お読みいただきありがとうございました！