Связаться с намиПодключиться

Синтез речи в формате WAV с помощью API v1

Статья создана
Обновлена 27 сентября 2024 г.

Пример показывает, как с помощью API v1 синтезировать речь из текста в TTS-разметке в файл формата WAV.

В примере заданы следующие параметры синтеза:

  • формат синтезированного аудиофайла — LPCM с частотой дискретизации 48 000 Гц, контейнер WAV;
  • язык — русский;
  • голос — filipp.

Преобразование и запись результата в формат WAV выполняются с помощью утилиты SoX.

Аутентификация происходит от имени аккаунта на Яндексе или федеративного аккаунта с помощью IAM-токена. Если вы используете сервисный аккаунт, передавать в запросе идентификатор каталога не нужно. Подробнее об аутентификации в API SpeechKit см. Аутентификация в API SpeechKit.

  1. Синтезируйте файл в формате LPCM:

    Отправьте запрос на преобразование текста в речь:

    read -r -d '' TEXT << EOM
> Я Яндекс Спичк+ит.
> Я могу превратить любой текст в речь.
> Теперь и в+ы — можете!
EOM
export FOLDER_ID=<идентификатор_каталога>
export IAM_TOKEN=<IAM-токен>
curl \
  --request POST \
  --header "Authorization: Bearer ${IAM_TOKEN}" \
  --output speech.raw \
  --data-urlencode "text=${TEXT}" \
  --data "lang=ru-RU&voice=filipp&folderId=${FOLDER_ID}&format=lpcm&sampleRateHertz=48000" \
  https://tts.api.cloud.yandex.net/speech/v1/tts:synthesize

    Где:

    Отправьте запрос на преобразование текста в речь:

    using System;
using System.Collections.Generic;
using System.Net.Http;
using System.Threading.Tasks;
using System.IO;

namespace TTS
{
  class Program
  {
    static void Main()
    {
      Tts().GetAwaiter().GetResult();
    }

    static async Task Tts()
    {
      const string iamToken = "<IAM-токен>";
      const string folderId = "<идентификатор_каталога>";

      HttpClient client = new HttpClient();
      client.DefaultRequestHeaders.Add("Authorization", "Bearer " + iamToken);
      var values = new Dictionary<string, string>
      {
        { "text", "Я Яндекс Спичк+ит. Я могу превратить любой текст в речь. Теперь и в+ы — можете!" },
        { "lang", "ru-RU" },
        { "voice", "filipp" },
        { "folderId", folderId },
        { "format", "lpcm" },
        { "sampleRateHertz", "48000" }
      };
      var content = new FormUrlEncodedContent(values);
      var response = await client.PostAsync("https://tts.api.cloud.yandex.net/speech/v1/tts:synthesize", content);
      var responseBytes = await response.Content.ReadAsByteArrayAsync();
      File.WriteAllBytes("speech.raw", responseBytes);
    }
  }
}

    Где:

    • Создайте файл, например test.py, и добавьте в него следующий код:

      import argparse
import requests

def synthesize(folder_id, iam_token, text):
    url = 'https://tts.api.cloud.yandex.net/speech/v1/tts:synthesize'
    headers = {
        'Authorization': 'Bearer ' + iam_token,
    }

    data = {
        'text': text,
        'lang': 'ru-RU',
        'voice': 'filipp',
        'folderId': folder_id,
        'format': 'lpcm',
        'sampleRateHertz': 48000,
    }

    with requests.post(url, headers=headers, data=data, stream=True) as resp:
        if resp.status_code != 200:
            raise RuntimeError("Invalid response received: code: %d, message: %s" % (resp.status_code, resp.text))

        for chunk in resp.iter_content(chunk_size=None):
            yield chunk


if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument("--token", required=True, help="IAM token")
    parser.add_argument("--folder_id", required=True, help="Folder id")
    parser.add_argument("--text", required=True, help="Text for synthesize")
    parser.add_argument("--output", required=True, help="Output file name")
    args = parser.parse_args()

    with open(args.output, "wb") as f:
        for audio_content in synthesize(args.folder_id, args.token, args.text):
            f.write(audio_content)

      Где:

      • lang — язык текста.
      • voice — голос для синтеза речи.
      • format — формат синтезированного аудиофайла.
      • sampleRateHertz — частота дискретизации аудиофайла в формате LPCM.

    • Выполните созданный файл:

      export FOLDER_ID=<идентификатор_каталога>
export IAM_TOKEN=<IAM-токен>
python3 test.py
  --token ${IAM_TOKEN}
  --folder_id ${FOLDER_ID}
  --output speech.raw
  --text "Я Яндекс Спичк+ит. Я могу превратить любой текст в речь. Теперь и в+ы — можете!"

      Где:

    Отправьте запрос на преобразование текста в речь:

    <?php

$token = '<IAM-токен>'; # Укажите IAM-токен.
$folderId = "<идентификатор_каталога>"; # Укажите идентификатор каталога.

$url = "https://tts.api.cloud.yandex.net/speech/v1/tts:synthesize";
$headers = ['Authorization: Bearer ' . $token];
$post = array(
    'text' => "Я Яндекс Спичк+ит. Я могу превратить любой текст в речь. Теперь и в+ы — можете!",
    'folderId' => $folderId,
    'lang' => 'ru-RU',
    'voice' => 'filipp',
    'format' => 'lpcm',
    'sampleRateHertz' => '48000');

$ch = curl_init();

curl_setopt($ch, CURLOPT_AUTOREFERER, TRUE);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, TRUE);
curl_setopt($ch, CURLOPT_HEADER, false);
if ($post !== false) {
    curl_setopt($ch, CURLOPT_POST, 1);
    curl_setopt($ch, CURLOPT_POSTFIELDS, $post);
}
curl_setopt($ch, CURLOPT_HTTPHEADER, $headers);

$response = curl_exec($ch);
if (curl_errno($ch)) {
    print "Error: " . curl_error($ch);
}
if (curl_getinfo($ch, CURLINFO_HTTP_CODE) != 200) {
    $decodedResponse = json_decode($response, true);
    echo "Error code: " . $decodedResponse["error_code"] . "\r\n";
    echo "Error message: " . $decodedResponse["error_message"] . "\r\n";
} else {
    file_put_contents("speech.raw", $response);
}
curl_close($ch);

    Где:

  2. Сконвертируйте полученный файл в формат WAV с помощью утилиты SoX:

    sox -r 48000 -b 16 -e signed-integer -c 1 speech.raw speech.wav

См. также

Предыдущая
Синтез речи по шаблонам Brand Voice Call Center
Следующая
Синтез речи в формате OggOpus — API v1