Cloud Text-to-Speech APIをNode.jsで試した時の備忘録

Googleの音声認識ライブラリCloud Text-to-Speech APIを試した時のメモ。

プロジェクトの登録

Google Cloud Platformにアクセスして、プロジェクトを作成する。

APIの有効化

ホームのメニューにあるAPIとサービスからライブラリを選択し、以下のAPIを検索して有効化しておく

• Cloud Text-to-Speech API
• Cloud Speech API

Cloud Text-to-Speech APIは課金制なので、クレジットカードの登録が必要。12 か月間トライアル無料‎を使って登録する。ここでクレジットカードを登録して無料枠分を超えてしまうときでも、黙って請求されることはないそうなので安心して使えます。Googleからメールにて通知されるそうです。

料金

音声認識のCloud Text-to-Speechは毎月60分（リクエスト）まで無料で使えます。それ以降は$0.006 米ドル/15 秒で課金される。

各リクエストは 15 秒単位で切り上げられます。たとえば、それぞれに 7 秒の音声が含まれる 3 つのリクエストは、45 秒（3 × 15 秒）の音声として $0.018 が請求されます。また、15 秒単位での切り上げは、小数点以下の秒数も対象になります。つまり、15.14 秒は 30 秒として請求されます

install sox

node.jsで音声を扱うためにsoxというライブラリを使う。

ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)" < /dev/null 2> /dev/null

brew install sox

node.js用のプロジェクトフォルダを用意

適当なフォルダを作成して、index.jsファイルを作成する。
ソースコードの中身はgoogleのサンプルコードをダウンロードしてきて、以下の箇所をコメントアウトして修正する。

uncommentする

const encoding = 'LINEAR16';
const sampleRateHertz = 16000;
const languageCode = 'ja-JP';

Support Language

• https://cloud.google.com/speech-to-text/docs/languages?hl=ja

サービスアカウントを作成する

GCP Console で [API Manager] → [認証情報] の順に移動し、[認証情報を作成] → [サービス アカウント キー] の順に選択します(参考)。
作成されたjsonファイルをディレクトリに入れる。

環境変数を登録

GOOGLE_APPLICATION_CREDENTIALSにパスを通す。

先ほどのjsonファイルのパス

export GOOGLE_APPLICATION_CREDENTIALS=<path_to_service_account_file>

実行

node index.js

そのまま実行したら反応しなくてあれ？となったが、数秒後に音声認識された文字列がコンソールに表示された。ただ、リアルタイムで変換されていないので、どこかに設定があるのだろうと探していたらありました。

リアルタイムの設定

interimResults: true

このinterimResultsをtrueに設定すると、途中経過まで表示されます。

• テスト音源

• 斬新さで人気！！　剣道×フィットネス 配信:2019年2月5日(火)11時 [49分前]
  

備考

このCloud Text-to-Speech APIはこちらでデモができます。mobile safariからアクセスして試してみましたが、あまり遅延なく動作しました。無料で使えるWeb Speech API の SpeechRecognitionはmobile safariはまだサポートされていないようなので、音声認識でmobile safariにも対応する場合は、このCloud Text-to-Speech APIを使う必要があるようです。