Google Cloud Text to Speech API সম্পর্কে জানার সবকিছু

জেনারেটিভ এআই ও কৃত্রিম বুদ্ধিমত্তা অনেক দূর এগিয়েছে। টেক্সট-টু-স্পিচ নতুন কিছু নয়, অনেক আগে থেকেই ব্যবহার হচ্ছে। এখানে বোঝার মতো অনেক কিছু আছে, আমি সেগুলো সহজভাবে ভাগ করে বুঝিয়ে বলব। আপনি একেবারে নতুন হোন বা অভিজ্ঞ, এই লেখাটি Google Text to Speech API সম্পর্কে বেশ পরিষ্কার ধারণা দেবে।

আসুন, মূল আলোচনায় যাওয়ার আগে কিছু মৌলিক বিষয় ঠিক করে নিই। কয়েকটি টার্ম পরিষ্কার করি আর একটা ভিত্তি বানাই, যাতে ভরসা নিয়ে এগোতে পারি।

এখানে দুই ধরনের প্রযুক্তি আলাদা করে দেখি: টেক্সট-টু-স্পিচ আর API, আর দেখব Google Cloud কোথায় কী ভূমিকা রাখে।

সম্পাদকের নোট: সেরা টেক্সট-টু-স্পিচ API খুঁজছেন? Speechify–এর সহজ আর ভালোভাবে ডকুমেন্টেড টেক্সট-টু-স্পিচ API দেখে নিতে পারেন।

টেক্সট-টু-স্পিচ

আমি এই বিষয়টা নিয়ে আলাদা করে লিখেছি, সময় পেলে পড়ে দেখতে পারেন আমার What is text to speech ব্লগ আর আরও গভীর বোঝার জন্য পড়তে পারেন speech synthesis নিয়ে লেখা। ওগুলো অনেক ডিটেলে যায়, আপাতত না পড়লেও চলবে। এখানে আমি সংক্ষেপে বলছি।

টেক্সট-টু-স্পিচ প্রযুক্তি "স্পিচ সিন্থেসিস"–এর উপর ভিত্তি করে, যা লেখা শব্দকে এআই–চালিত কণ্ঠে বদলে দেয়। ব্যবহার ক্ষেত্রও অনেক—ডিসলেক্সিয়া বা দৃষ্টিশক্তি কম এমন মানুষকে সহায়তা করা থেকে শুরু করে প্রোডাক্টিভিটি বাড়াতেও ব্যবহার হচ্ছে।

API

API–এর পূর্ণরূপ Application Programming Interface। সহজভাবে, এটি দুইটি অ্যাপ্লিকেশনের মধ্যে যোগাযোগের মাধ্যম। আপনি যদি এমন কোনো অ্যাপ বানান যেখানে অডিও কনটেন্ট আর টেক্সট-টু-স্পিচ দরকার, চাইলে নিজেই তৈরি করতে পারেন টেক্সট-টু-স্পিচ ফিচার, নতুবা ঝামেলা না করে ব্যবহার করতে পারেন আগে থেকেই থাকা কোনো টেক্সট-টু-স্পিচ API।

মানে, আপনি আপনার অ্যাপ ডেভেলপ করাতে ব্যস্ত থাকবেন আর আলাদা করে তৃতীয় পক্ষের API ব্যবহার করবেন, যাতে অনায়াসে টেক্সট-টু-স্পিচ ফিচার জুড়ে যায়।

Google Cloud API

এবার আসি Google Cloud–এ। Google দারুণ স্থিতিশীল একটি টেক্সট-টু-স্পিচ API বানিয়েছে, যেটা বিভিন্ন দামে ডেভেলপারদের জন্য উন্মুক্ত। আপনার অ্যাপে টেক্সট-টু-স্পিচ লাগলে Google–এর TTS ফিচার খুব সহজেই ব্যবহার করতে পারবেন। TTS মানে সংক্ষেপে text to speech।

Quickstart গাইড পাবেন Google Cloud Console–এ, ঠিকানাঃ https://cloud.google.com/। সেখান থেকে টিউটোরিয়াল, সার্ভিস অ্যাকাউন্ট ম্যানেজমেন্ট, ওয়েভনেট ভয়েসসহ আরও অনেক কিছু পেয়ে যাবেন।

Google Cloud নিজেই একটা ক্লাউড প্ল্যাটফর্ম, যেখানে আলাদা আলাদা করে অনেক সার্ভিস অফার করা হয়। ইচ্ছে হলে একটা বা সবই ব্যবহার করতে পারেন। প্রতিটি API ব্যবহারের জন্য আপনাকে অ্যাক্সেস কী তৈরি করতে হবে। বেশিরভাগ সার্ভিস পেইড, তবে প্রায় সবারই কিছু না কিছু ফ্রি থ্রেশহোল্ড থাকে।

Google ২০১৪ সালে DeepMind অধিগ্রহণ করে, মূলত টেক্সট-টু-স্পিচ প্রযুক্তি আর নিউরাল নেটওয়ার্কে অগ্রগতি ধরতে। এখন DeepMind–এর নামই Google DeepMind, কার্যত সবই এক সিস্টেম।

এই বেসিকগুলো পরিষ্কার হয়ে গেলে, এবার আসি Google Cloud Text to Speech API–এর ভেতরের দিকগুলোতে।

Google Text to Speech API–র ফিচার

Google প্রযুক্তি দুনিয়ার অগ্রগামী নাম। তাদের TTS API–তেও পাচ্ছেন বিশ্বমানের ফিচার, আর এগুলো সময়ের সঙ্গে আরও উন্নত হচ্ছে।

উচ্চ মানের স্পিচ

Google–এর টেক্সট-টু-স্পিচ ভয়েসগুলো খুবই প্রাকৃতিক শোনায়, ইন্টোনেশনও স্বাভাবিক। যাদের কণ্ঠ সবচেয়ে বাস্তব মনে হবে, তারাই এই দৌড়ে এগিয়ে থাকবে।

ভয়েসের বৈচিত্র্য

Google–এর ভয়েস অপশন প্রচুর, ফলে আপনার প্রজেক্ট আরেক হাজার প্রজেক্টের মতো শোনাবে না, আর প্রতিদ্বন্দ্বী অ্যাপের সাথেও গুলিয়ে যাবে না।

আপনার নিজের ভয়েস তৈরি করুন

এটা আসলে ভয়েস ক্লোনিং টেকনোলজির খুব কাছাকাছি। চাইলে নিজের বা অন্য কারও (অবশ্যই অনুমতি নিয়ে) ভয়েস রেকর্ড করে সেটাকে নিজের কাস্টম ভয়েস হিসেবে টেক্সট পড়াতে পারবেন।

নিউরাল ভয়েস

নিউরাল ভয়েস মানের দিক থেকে সেরাদের মধ্যে। এসব ভয়েস সহজেই আন্তর্জাতিকীকরণ করা যায়, তাই বৈশ্বিক অডিয়েন্স পাওয়াও সহজ হয়।

স্টুডিও ভয়েস

স্টুডিও ভয়েসগুলো আরও পেশাদার মানের, যেন রেগুলার রেকর্ডিং স্টুডিওতেই রেকর্ড করা হয়েছে।

ভয়েস টিউনিং

যেকোনো ভয়েস পছন্দ করে গতি, স্বর, কাঠামোসহ আরও কিছু সেটিং নিজের মতো করে কাস্টমাইজ করে নিতে পারবেন।

Google Text to Speech API-এর দাম কত?

খরচ নির্ভর করে ভয়েসের মান আর টেক্সটের দৈর্ঘ্যের ওপর। ভয়েস যত বেশি বাস্তবধর্মী, দাম সাধারণত তত বেশি, তবে সামগ্রিকভাবে খুব বেশি নয়। উচ্চ মানের ভয়েসও তুলনামূলক কম খরচে পাওয়া যায়।

অক্ষর ও বাইটের মধ্যে পার্থক্য কী

ভয়েসের মান অনুযায়ী দামের ফারাক বেশ বড়। টেক্সটকে স্পিচে পরিণত করতে অডিও এনকোডিং আর প্রসেসিং লাগে, আর টিয়ার ভেদে এর ধরন বদলে যায়। উদাহরণ হিসেবে, স্ট্যান্ডার্ড ভয়েসে খরচ তুলনামূলক কম এবং সেখানে হিসাব হয় অক্ষর ধরে।

আপনার প্রজেক্টে যদি ৪ মিলিয়ন অক্ষর থাকে, তাহলে Standard Characters দিয়ে স্পিচে রূপান্তর করতে প্রায় $16 খরচ হবে।

স্টুডিও ভয়েসে অনেক বেশি প্রসেসিং লাগে, তাই এখানে হিসাব করা হয় বাইট অনুযায়ী। কিছু ভাষায়, যেমন জাপানিজে, একটা অক্ষর একাধিক বাইটও নিতে পারে।

সঠিক খরচ হিসাব করতে ভাষা অনুযায়ী গড়ে প্রতি অক্ষরে কত বাইট লাগে, সেটা বোঝা জরুরি।

Google Cloud Platform-এ নিজের Text to Speech API প্রজেক্ট কীভাবে সেটআপ করবেন?

1. Google Cloud অ্যাকাউন্ট খুলুন বা এখানে লগইন করুন
2. নতুন প্রজেক্ট তৈরি করুন এবং নাম দিন
3. বিলিং পদ্ধতি যোগ করুন। আপনি যতটুকু ব্যবহার করবেন, কেবল তারই টাকা কাটা হবে।
4. এখন আপনার প্রজেক্ট বাছুন আর সেটাকে বিলিং অ্যাকাউন্টের সঙ্গে লিংক করুন।
5. Text-to-Speech API অ্যাক্টিভ করুন। পেজের ওপরে সার্চ বারে "speech" লিখে সার্চ দিন।
6. ফলাফলের তালিকা থেকে Cloud Text-to-Speech API সিলেক্ট করুন
7. আপনার ডেভেলপমেন্ট এনভায়রনমেন্টের জন্য Authentication সেট করুন। বিস্তারিত জানতে Text-to-Speech Authentication গাইড দেখে নিন।

প্রজেক্ট তৈরি না করেও সরাসরি Text-to-Speech চেষ্টা করতে পারেন:

1. TRY THIS API অপশনটি বাছুন।
2. আপনার প্রজেক্টে API ব্যবহার করতে ENABLE–এ ক্লিক করুন।

আরও সাহায্যের জন্য দেখুন Google Cloud ডকুমেন্টেশন।

Text to Speech API কীভাবে নিষ্ক্রিয় করবেন

Text-to-Speech API বন্ধ করতে Google Cloud Platform ড্যাশবোর্ডে যান, APIs বক্স থেকে "Go to APIs overview"–এ ক্লিক করুন। সেখানে Text-to-Speech API সিলেক্ট করে পেজের ওপরে থাকা "DISABLE API" বাটনে ক্লিক করুন।

Google Text to Speech API দিয়ে শুরু করুন

প্রজেক্ট তৈরি হয়ে গেলে কমান্ড লাইন থেকে ব্যবহার শুরু করতে পারেন।

gcloud init

লোকাল অথেন্টিকেশন তৈরি করুন

gcloud auth application-default login

এখন ক্লায়েন্ট লাইব্রেরি ইনস্টল করতে পারেন। এখানে উদাহরণ হিসেবে Node.js দেখানো হচ্ছে

npm install --save @google-cloud/text-to-speech

Google Cloud Text to Speech API নিচের ভাষাগুলো সাপোর্ট করে:

1. Go
2. Java
3. Node.js
4. C++
5. C#
6. PHP
7. Python
8. Ruby
9. TypeScript
10. Terraform
11. YAML

Google Cloud API কীভাবে কাজ করে?

সবকিছুই শুরু হয় এক বা একাধিক API কল দিয়ে। আপনি আপনার টেক্সট পাঠাবেন, আর ফিরে পাবেন সেই টেক্সটের অডিও ফাইল। চাইলে ভয়েস, ভাষা ইত্যাদি আগেই ঠিক করে দিতে পারেন আর text to speech API ঠিক সেই অনুযায়ী আপনাকে অডিও দেবে।

টেক্সট-টু-স্পিচ ক্লায়েন্ট লাইব্রেরি কীভাবে ইনস্টল ও ব্যবহার করবেন তা জানতে ঘুরে আসুন এখান থেকে। আমাদের কোড স্যাম্পল যদিও Node.js–এ, চাইলে Python, PHP–সহ আরও বেশ কিছু ভাষায় ব্যবহার করতে পারবেন।

const textToSpeech = require('@google-cloud/text-to-speech');
const fs = require('fs');
const util = require('util');

const client = new textToSpeech.TextToSpeechClient();

/**
 * TODO(developer): Uncomment the following lines before running the sample.
 */
// const text = 'Text to synthesize, eg. hello';
// const outputFile = 'Local path to save audio file to, e.g. output.mp3';

const request = {
  input: {text: text},
  voice: {languageCode: 'en-US', ssmlGender: 'FEMALE'},
  audioConfig: {audioEncoding: 'MP3'},
};
const [response] = await client.synthesizeSpeech(request);
const writeFile = util.promisify(fs.writeFile);
await writeFile(outputFile, response.audioContent, 'binary');
console.log(`Audio content written to file: ${outputFile}`);

এটাই মোটামুটি সব। আপনি Google Cloud Text to Speech API সেটআপ করে প্রথম অনুরোধ পাঠিয়ে ফেললেন। অডিও ফাইল OGG থেকে শুরু করে MP3–সহ বিভিন্ন ফরম্যাটে পেতে পারেন।

Google Text to Speech API–এর কিছু ব্যবহার

Google Text to Speech (TTS) API নানা ক্ষেত্রে কাজে লাগানো যায়। উদাহরণ হিসেবে:

1. দৃষ্টিহীনদের জন্য টেক্সট-টু-স্পিচ: ডিজিটাল তথ্য সহজে শুনে নিতে পারবেন দৃষ্টিহীন ব্যবহারকারীরা।
2. স্বয়ংক্রিয় কল সিস্টেম: গ্রাহকসেবা বা হটলাইনে প্রাকৃতিক কণ্ঠের প্রম্পট আর উত্তর জেনারেট করা।
3. মিডিয়া কনটেন্টে ভয়েসওভার: ভিডিও, পডকাস্ট ইত্যাদিতে টেক্সট থেকে ভয়েস বানিয়ে ব্যবহারকারীর অভিজ্ঞতা বাড়ানো।
4. অনূদিত টেক্সটে স্পিচ: ভাষা শেখা বা বহুভাষী তথ্য ছড়িয়ে দিতে অনূদিত টেক্সট পড়ে শোনানো।
5. ডিসলেক্সিয়ার জন্য সহায়তা: লেখা পড়তে সমস্যা আছে এমনদের জন্য টেক্সট শোনার সুবিধা দেওয়া।
6. অ্যাপে ভয়েস নেভিগেশন: নেভিগেশন অ্যাপে স্পিচে দিকনির্দেশনা আর তথ্য শোনানো।
7. শিক্ষামূলক টেক্সটে স্পিচ: ই-লার্নিংয়ে লিখিত কনটেন্ট পড়ে শোনানো।
8. প্রোডাক্টিভিটি অ্যাপে স্পিচ সিন্থেসিস: নোট/টাস্ক অ্যাপে স্পিচ ফিডব্যাক বা লেখা পড়ে শোনানোর ফিচার।
9. ভার্চুয়াল অ্যাসিস্টেন্টে প্রাকৃতিক ভয়েস: ন্যাচারাল টেক্সট-টু-স্পিচে কথোপকথনকে আরও সাবলীল করা।
10. শ্রাব্য নোটিফিকেশন: IoT ডিভাইসে শোনা যায় এমন সতর্কতা বা স্ট্যাটাস আপডেট তৈরি।

Google Cloud TTS API–এর বিকল্প

২০২২ সালের জানুয়ারি পর্যন্ত Google Text to Speech API–এর বেশ কয়েকটি বিকল্প ছিল, আর সময়ের সঙ্গে তাল মিলিয়ে এগুলোও বদলাচ্ছে। কিছু উল্লেখযোগ্য বিকল্প:

1. Speechify Text to Speech API: Speechify Text to Speech API–তে আছে ১০০০+ বাস্তব ও অনুভূতিপূর্ণ AI ভয়েস, ৬০+ ভাষায়। এখনই রেজিস্ট্রেশন করুন।
2. Amazon Polly: AWS–এর Polly বিভিন্ন ভাষা আর ভয়েসে ন্যাচারাল স্পিচ জেনারেট করে। অন্য AWS সার্ভিসের সাথেও দারুণভাবে কাজ করে।
3. Microsoft Azure Speech Service: Azure Speech Service টেক্সট-টু-স্পিচসহ নানান অ্যাপ্লিকেশন সাপোর্ট করে, যেমন ভয়েস অ্যাসিস্ট্যান্ট, নেভিগেশন ইত্যাদি।
4. IBM Watson Text to Speech: IBM Watson বিভিন্ন ভয়েসে প্রাকৃতিক কণ্ঠে টেক্সট পড়ে শোনাতে পারে।
5. Nuance Communications: Nuance বিভিন্ন স্পিচ ও ভয়েস রিকগনিশন সলিউশন দেয়, যেমন text to speech, যা স্বাস্থ্য, গাড়ি বা গ্রাহক সেবা খাতে ব্যবহৃত হয়।
6. CereProc: CereProc একটি টেক্সট-টু-স্পিচ কোম্পানি, যাদের সিন্থেটিক ভয়েস মানসম্মত ও স্বতন্ত্র শোনায়।
7. iSpeech: iSpeech ক্লাউড–ভিত্তিক টেক্সট-টু-স্পিচ সার্ভিস, বহু ভাষা ও ভয়েস সাপোর্ট করে। মোবাইল অ্যাপ ও ওয়েবসাইটে সহজে ব্যবহার করা যায়।
8. ResponsiveVoice: ResponsiveVoice সহজ আর সাশ্রয়ী টেক্সট-টু-স্পিচ API, বহু ভাষা সাপোর্ট করে আর ওয়েব অ্যাপে ভালো কাজ করে।
9. Neospeech: Neospeech text to speech প্রযুক্তির মাধ্যমে প্রাকৃতিক কণ্ঠ জেনারেট করে, ই-লার্নিং আর বিনোদনমূলক অ্যাপেও ব্যবহৃত হয়।
10. ReadSpeaker: ReadSpeaker ওয়েবসাইট, ই-লার্নিং আর অ্যাক্সেসিবিলিটি–সহ অনলাইন/অফলাইন নানা ধরনের টেক্সট-টু-স্পিচ সমাধান দেয়।
11. Acapelabox: Acapela Group ক্লাউড–ভিত্তিক টেক্সট-টু-স্পিচ API (Acapelabox) অফার করে, যা বহু ভাষা ও বিভিন্ন ইন্ডাস্ট্রিতে ব্যবহার করা যায়।

FAQ