Google Cloud Text to Speechでテキストを音声に変換するTypeScriptプログラムを開発した

概要

Google Cloud Text to Speech でテキストを音声に変換する TypeScript プログラムを開発しました。

Text-to-Speech client libraries  |  Cloud Text-to-Speech Documentation  |  Google Cloud にあるサンプルは JavaScript なので、一部修正が必要でした。

必要な準備

1. Google Cloud Platformからプロジェクトを作成、あるいは既存のプロジェクトを選択します。

2. Cloud Text-to-Speech APIで
   Text-to-Speech API を有効にします。

3. サービスアカウントでサービスアカウントを作成します。作成したサービスアカウントのキーをダウンロードしてファイルを作成します。環境変数 GOOGLE_APPLICATION_CREDENTIALS で作成したファイルを指定します。

プログラムの作成

1. node.js のプロジェクトを作成します。

$ yarn --init

1. 必要なモジュールを追加します。

$ yarn add @google-cloud/text-to-speech
$ yarn add -D typescript @types/node

1. TypeScipr 環境を初期化します。

$ npx tsc --init

1. package.json の script セクションにコンパイルと実行コマンドを追加します。

"scripts": {
    "start": "node index",
    "prestart": "tsc"
}

5, Text-to-Speech クライアント ライブラリ  |  Cloud Text-to-Speech のドキュメント  |  Google Cloud にあるサンプルプログラムを TypeScript に修正します。

index.ts

import fs from "fs";

import { TextToSpeechClient } from "@google-cloud/text-to-speech";
import { google } from "@google-cloud/text-to-speech/build/protos/protos";

const client = new TextToSpeechClient();

const text = "This is sample speech.";

const request: google.cloud.texttospeech.v1.ISynthesizeSpeechRequest = {
  input: { text: text },
  voice: { languageCode: "en-US", ssmlGender: "NEUTRAL" },
  audioConfig: {
    audioEncoding: "MP3",
  },
};

client
  .synthesizeSpeech(request)
  .then(([response]) => {
    if (response.audioContent) {
      fs.writeFileSync("output.mp3", response.audioContent);
    }
  })
  .catch((error) => {
    console.error(error);
  });

修正したのは、synthesizeSpeech のパラメータである変数 request の型の指定を追加しました。その型を import も追加しています。

1. 以下のコマンドを実行すると音声が保存された output.mp3 が作成されます。

$ yarn start

オプション

テキストを音声に変換する API である synthesizeSpeech でオプションを指定することが可能です。オプションの一部はISynthesizeSpeechRequest - Documentationで説明されていますが、説明されていないオプションもいくつかあります。

voice

name

一つは voice 属性の中の name 属性です。IVoiceSelectionParams - Documentationには string とだけ書かれていて、具体的にどのような値を設定すればいいのか書かれていません。ここで参考になるのがText-to-Speech: Lifelike Speech Synthesis  |  Google Cloudのデモです。Voice name で指定した値が name 属性に設定されます。Voice name のメニュー項目は、Language/locale と Voice type で決まります。たとえば、Language/locale が English (United States)で Voice type が WaveNet の場合、メニュー項目は en-US-Wavenet-A から J の 10 項目です。Voice type が Basic の場合、en-US-standard-A から J の 10 項目です。つまり name 属性で WaveNet 形式か standard 形式かを指定します。

AudioConfig

IAudioConfig - Documentationには、AudioConfig 属性の中の speakingRate, pitch, volumeGainDb, sampleRateHertz 属性は number, effectsProfileId 属性は string の配列とだけ書かれています。

Text-to-Speech の Rest API のドキュメント(Method: text.synthesize  |  Cloud Text-to-Speech Documentation)や RPC のドキュメント(Package google.cloud.texttospeech.v1  |  Cloud Text-to-Speech Documentation)には、クライアントライブラリのドキュメントでは説明されていない volumeGaibDb と sampleRateHertz の説明がありました。

effectsProfileId

effectsProfileId は以下のような値を設定するようです。

Audio device profile のメニュー項目	オプションとして設定する値
Default	設定なし
Smart watch or wearable	wearable-class-device
Smartphone	handset-class-device
Headphones or earbuds	headphone-class-device
Small home speaker	small-bluetooth-speaker-class-device
Smart home speaker	medium-bluetooth-speaker-class-device
Home entertainment system or smart TV	large-home-entertainment-class-device
Car speaker	large-automotive-class-device
Interactive Voice Response (IVR) system	telephony-class-application

speakingRate

デモでは speakingRate は 0.25 から 4 の間の値を設定します。変換される音声の速度を設定しています。

pitch

pitch は-20 から 20 の値を設定します。音声の高さを設定しています。

volumeGainDb

volumeGainDbは音量を設定します。有効な値の範囲は-96.0 から 16.0 の間で、-6.0 ごとに音量は半分に、+6.0 ごとに 2 倍になります。+10 を超える値を設定しないことを強く推奨しています。

sampleRateHertz

sampleRateHertz は音声のサンプリング周波数を指定します。具体的な例はありません。