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！