Raspberry PIを喋らせよう クラウドいろいろ

主要読み上げ機能を評価するためのテストプログラムをご披露しよう。

まずは、ソースプログラムから各クラウドや配布ページをポチリながらサンプルをコピペしながら評価試験プログラムを書いたものです。

test.py

# !/usr/local/bin/python3.6
import os,subprocess,requests
aplay = ['aplay','-q','-D', 'plughw:0,0','sample.wav']
mpg123 = ['mpg123','-a', 'plughw:0,0', '-q','sample.mp3' ]
'''
AquesTalk
'''
def aquestalk(t,fn):
    cmd=['/home/pi/aquestalkpi/AquesTalkPi','-f','-','-o', fn+'.wav']
    c = subprocess.Popen(cmd,stdin=subprocess.PIPE)
    c.stdin.write(t.encode())
    c.stdin.close()
    c.wait()
    aplay[4]=fn+'.wav'
    wr = subprocess.Popen(aplay).wait()
'''
OPen JTalk
'''
def open_jtalk(t,fn):
    cmd=['open_jtalk','-x','/var/lib/mecab/dic/open-jtalk/naist-jdic'
    ,'-m','/usr/share/hts-voice/mei/mei_normal.htsvoice','-r','1.0','-ow', fn+'.wav']
    c = subprocess.Popen(cmd,stdin=subprocess.PIPE)
    c.stdin.write(t.encode())
    c.stdin.close()
    c.wait()
    aplay[4]=fn+'.wav'
    wr = subprocess.Popen(aplay).wait()
'''
google text to speech
'''
def google(t,fn):
    'export GOOGLE_APPLICATION_CREDENTIALS=auth.json'
    os.environ['GOOGLE_APPLICATION_CREDENTIALS']='auth.json'
    from google.cloud import texttospeech as tts
    client = tts.TextToSpeechClient()
    audio_config = tts.types.AudioConfig(audio_encoding=tts.enums.AudioEncoding.LINEAR16)
    voice = tts.types.VoiceSelectionParams(language_code='ja-JP',name='ja-JP-Wavenet-A')
    resp = client.synthesize_speech(tts.types.SynthesisInput(text=t), voice, audio_config)
    with open(fn+'.wav', 'wb') as out:
        out.write(resp.audio_content)
    aplay[4]=fn+'.wav'
    wr = subprocess.Popen(aplay).wait()
'''
Microsoft Azure text to speech
'''

def azure(t,fn):
    from xml.etree import ElementTree
    #export SPEECH_SERVICE_KEY=xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
    response = requests.post("https://westus.api.cognitive.microsoft.com/sts/v1.0/issueToken",
        headers={'Ocp-Apim-Subscription-Key': os.environ['SPEECH_SERVICE_KEY']})
    headers = {
        'Authorization': 'Bearer ' + str(response.text),
        'Content-Type': 'application/ssml+xml',
        'X-Microsoft-OutputFormat': 'riff-24khz-16bit-mono-pcm',
        'User-Agent': 'YOUR_RESOURCE_NAME'
    }
    xml_body = ElementTree.Element('speak', version='1.0')
    xml_body.set('{http://www.w3.org/XML/1998/namespace}lang', 'ja-JP')
    voice = ElementTree.SubElement(xml_body, 'voice')
    voice.set('{http://www.w3.org/XML/1998/namespace}lang', 'ja-JP')
    voice.set('name','ja-JP-Ayumi-Apollo')
    voice.text = t
    body = ElementTree.tostring(xml_body)
    response = requests.post('https://westus.tts.speech.microsoft.com/cognitiveservices/v1', headers=headers, data=body)
    with open(fn+'.wav', 'wb') as audio:
        audio.write(response.content)
    aplay[4]=fn+'.wav'
    wr = subprocess.Popen(aplay).wait()
'''
AWS amazon
'''
def aws(t,fn):
    from boto3 import Session
    from botocore.exceptions import BotoCoreError, ClientError
    from contextlib import closing
    session = Session(region_name="us-west-2")
    polly = session.client("polly")
    response = polly.synthesize_speech(Text=t, OutputFormat="mp3", VoiceId="Takumi")
    if "AudioStream" in response:
        with closing(response["AudioStream"]) as stream:
            try:
                with open(fn+".mp3", "wb") as file:
                    file.write(stream.read())
            except IOError as error:
                print(error)
                sys.exit(-1)
            mpg123[4]=fn+".mp3"
            subprocess.Popen(mpg123).wait()
'''
IBM WATSON
'''
def watson(t,fn):
    from ibm_watson import TextToSpeechV1
    tts = TextToSpeechV1(iam_apikey='xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx',
        url='https://gateway-tok.watsonplatform.net/text-to-speech/api/')
    with open(fn+'.wav', 'wb') as audio_file:
        audio_file.write(tts.synthesize(t,voice='ja-JP_EmiVoice',accept='audio/wav').get_result().content)
        aplay[4]=fn+'.wav'    
        wr = subprocess.Popen(aplay).wait()
msg='お電話ありがとうございます。ただいま、電話に出ることができません。ピーッという音が鳴りましたら[発信音の後に]、メッセージをお願いします。こちらからすぐにお電話いたします。'
for say in [aquestalk,open_jtalk,google,azure,aws,watson]:
    nm=str(say).split(' ')[1]
    tx=nm+"が話します。"+msg
    print(tx,nm)
    say(tx,nm)

Name	URL
AquesTalk Pi	https://www.a-quest.com/products/aquestalkpi.html
open jtalk	http://open-jtalk.sp.nitech.ac.jp/
Google Cloud	https://cloud.google.com/text-to-speech/?hl=JA
Azure MS	https://azure.microsoft.com/ja-jp/services/cognitive-services/text-to-speech/
AWS amazon	https://aws.amazon.com/jp/polly/
IBM WATSON	https://www.ibm.com/watson/jp-ja/developercloud/text-to-speech.html

各プロダクト頑張っている。それぞれの好みがあるから実際に評価してみてください。

意外と嵌りやすいのがRaspberry pi の動作環境づくりだ!

まず嵌ったのがRaspberry piのスピーカ出力だ!

Qiitaをaplayで検索して
結論を導きだしたのが

aplay = ['aplay','-q','-D', 'plughw:0,0','sample.wav']
wr = subprocess.Popen(aplay).wait()
or 
mpg123 = ['mpg123','-a', 'plughw:0,0', '-q','sample.mp3' ]
wr = subprocess.Popen(mpg123).wait()

これで音をスピーカから出せる。
AquesTalkとOpenJtalkは、マニュアルの指示に従うと問題なく動作した。
その他のライブラリ

Name	Command
Google Cloud	pip install google-cloud-texttospeech
AWS amazon	pip install boto3
IBM WATSON	pip install watson-developer-cloud

サンプルの音を下記で聞くことができます。

クラウド音声評価中 pic.twitter.com/5G4hvwEzBJ

— utaca.rich (@RichUtaka) May 18, 2019

インストール

$ wget http://www.a-quest.com/download/package/aquestalkpi-20130827.tar.gz
$ tar xzvf aquestalkpi-20130827.tar.gz
$ cd aquestalkpi

$ sudo apt-get install open-jtalk
$ sudo apt-get install open-jtalk-mecab-naist-jdic hts-voice-nitech-jp-atr503-m001

認証情報

AWSの認証情報は、、aws configure コマンドにより以下にセットされる。

$aws configure
AWSアクセスキーとAWSシークレットキーを入力と下記のファイルが出来上がる
cat ~/.aws/credentials
[default]
aws_access_key_id = xxxxxxxxxxxxxxxxxxx
aws_secret_access_key = xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

Azureの認証情報

Azureの認証情報
無料の認証キー

IBM WATSON 認証情報

IBM Cloud

サービスをクリックすると

API 鍵:が表示されるのでiam_apikey=下記のコピペする、

tts = TextToSpeechV1(iam_apikey='xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx',
        url='https://gateway-tok.watsonplatform.net/text-to-speech/api/')

Googleの認証情報

解説ページ

jsonファイルがダウンロードできるので環境変数にセットする。

$ export GOOGLE_APPLICATION_CREDENTIALS=auth.json