Minden, amit a Google Cloud Text to Speech API-ról tudni érdemes

A generatív MI és a mesterséges intelligencia rengeteget fejlődött. A szövegfelolvasás viszont régebbi technológia, már jó ideje elérhető. Most ezt bontom ki, több nézőpontból is bemutatom. Akár kezdő, akár profi vagy, ez segít átlátni a Google Text to Speech API működését.

Mielőtt belevágnánk, tisztázzuk az alapfogalmakat, hogy biztos lábakon álljunk.

Szétválasztjuk a két technológiát: a szövegfelolvasást és az API-kat, és megnézzük, mi a Google Cloud szerepe az egészben.

Szerkesztői megjegyzés: A lehető legjobb szövegfelolvasó API-t keresed? Próbáld ki a Speechify jól dokumentált, könnyen használható text to speech API-ját.

Szövegfelolvasás

Sokat írtam erről a témáról, elolvashatod a Mi az a szövegfelolvasás című blogomat, és megnézheted a beszédszintézisről szóló írásomat is. Ezek mélyebben belemennek a témába, de most pár mondatban összefoglalom.

A szövegfelolvasás beszédszintézis-technológiát használ arra, hogy a szövegeket mesterséges hangokká alakítsa. Számos felhasználási területe van – segíti a diszlexiásokat, a gyengénlátókat, és hatékonyabbá teszi a munkát.

API

Az API az Application Programming Interface rövidítése, magyarul alkalmazásprogramozási felület. Röviden: összeköt két alkalmazást. Ha például hangos tartalommal dolgozó appot fejlesztesz, amelynek szövegfelolvasó funkció is kell, ezt megépítheted te is, vagy rácsatlakozhatsz egy meglévő szövegfelolvasó API-ra, mint például a text to speech API.

Te az appodra koncentrálhatsz, miközben a szövegfelolvasást egy API intézi, így gyakorlatilag be tudod „húzni” ezt a funkciót.

Google Cloud API

Itt jön képbe a Google Cloud. A Google fejlesztett egy szövegfelolvasó API-t, amelyet többféle árszabással kínál fejlesztőknek. Ha kifejezetten olyan saját appot vagy webappot szeretnél készíteni, amely szövegfelolvasó funkcióra épít, ezt könnyen elérheted a Google TTS szolgáltatásával (a TTS a text to speech rövidítése).

Gyors kezdőt találsz a Google Cloud Console oldalon: https://cloud.google.com/. Itt éred el az oktatóanyagokat, a fiókkezelést, a wavenet hangokat és sok minden mást.

A Google Cloud maga egy felhőplatform, amely számos moduláris szolgáltatást kínál. Egyet vagy akár többet is használhatsz közülük. Ehhez minden API-hoz hitelesítő kulcsot kell létrehoznod. A legtöbb szolgáltatás fizetős, de néhányhoz jár ingyenes keret is.

A Google 2014-ben vásárolta fel a DeepMindot a szövegfelolvasási technológiáért és a neurális hálózat-fejlesztésért. Ha DeepMind nevet látsz, az ma már Google DeepMind – ugyanaz a cég.

Most, hogy ezeket tisztáztuk, nézzük meg közelebbről a Google Cloud Text to Speech API-t.

A Google Text to Speech API jellemzői

A Google globális technológiai éllovas. A TTS API esetében világszínvonalú, folyamatosan fejlődő funkciókra számíthatsz.

Nagy hűségű hangzás

A Google szövegfelolvasó hangjai a legjobbak közé tartoznak. Szinte emberi hangzásúak, természetes intonációval. Jelenleg azok vezetnek, akik a legélethűbb hangzást hozzák.

Hangválaszték

A Google szerint náluk található az egyik legszélesebb hangválaszték, így a projekted nem lesz ugyanolyan, mint a többi, vagy épp a konkurenseké.

Saját hang létrehozása

Ez már a hangmásolás technológiájához tartozik. Felveheted a saját hangod vagy másét (engedéllyel), és ezzel a mintával bármilyen szöveget felolvastathatsz.

Neurális hangok

A neurális hangminőség a kínálat csúcsa. Ezeket is nemzetköziesítheted, ha külföldi közönséget is megcéloznál.

Stúdió hangok

A stúdió hangok csúcsminőségűek, mintha profi stúdióban vették volna fel őket – rendkívül professzionálisak.

Hanghangolás

Válassz hangot, majd állítsd a sebességet, a magasságot és más jellemzőket – így teljesen a saját ízlésedre szabhatod a hangstílust.

Mennyibe kerül a Google Text to Speech API?

Az ár a minőségtől és a szöveg hosszától függ. Minél természetesebb a hang, annál többe kerül, de még a legjobb hangok is viszonylag olcsók.

Mi a különbség a karakterek és a bájtok között?

Ahogy látható, az ár attól is függ, mennyire jó minőségű hangot választasz. A hangkódolás és feldolgozás eltér a különböző szinteken. Az olcsóbb, például Standard Voice-oknál karakter alapon számolnak árat.

Ez azt jelenti, hogy ha a projekted 4 millió karakterből áll, 16 dollárba kerül ezek felolvasása standard hanggal.

A stúdió hangok használata viszont nagyobb teljesítményt igényel, itt bájt alapon számolnak. Egyes nyelvekben, például japánban, egy karakter akár több bájtból is állhat.

A pontos árazáshoz fontos tudni, milyen nyelven dolgozol, átlagosan hány bájt jut egy karakterre, hogy tudd, mire számíthatsz költségben.

Hogyan állítsd be a Google Cloud Platform Text to Speech API-t?

1. Készíts Google Cloud-fiókot, vagy jelentkezz be itt
2. Hozz létre új projektet, és adj neki nevet.
3. Adj hozzá számlázási módot. Csak a tényleges használatért fizetsz.
4. Válaszd ki a projekted, és társítsd a számlával.
5. Aktiváld a Text-to-Speech API-t. Használd a keresősávot, írd be: „speech”.
6. Válaszd ki a Cloud Text-to-Speech API-t.
7. Állítsd be a hitelesítést. Útmutatóhoz keresd: Set up authentication for Text-to-Speech.

Ki is próbálhatod a Text-to-Speech API-t projekt létrehozása nélkül:

1. Válaszd a TRY THIS API lehetőséget.
2. A Text-to-Speech API bekapcsolásához kattints az ENABLE gombra.

Nézd meg a Google Cloud dokumentációt további segítségért.

Hogyan lehet kikapcsolni a Text to Speech API-t?

A Text-to-Speech API letiltásához nyisd meg a Google Cloud Platform irányítópultot, kattints az „APIs overview” linkre az APIs dobozban, keresd meg a Text-to-Speech API-t, kattints rá, majd fent válaszd a „DISABLE API” gombot.

Kezdd el a Google Text to Speech API-val

Ha már beállítottad a projekted, akár parancssorból is nekiláthatsz a használatának.

gcloud init

Hozz létre helyi hitelesítést

gcloud auth application-default login

Most telepítheted a klienskönyvtárat. Példaként a Node.js-t mutatom.

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

A Google Cloud Text to Speech API ezeket a nyelveket támogatja:

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

Hogyan működik a Google Cloud API?

Minden egy egyszerű API-hívással indul. Elküldöd a szöveget, és visszakapod a felolvasott hangfájlt. A kérésben megadhatod a hangot, a nyelvet és sok egyéb beállítást, majd a szövegfelolvasó API visszaküldi neked a kész hangfájlt.

A szövegfelolvasó klienskönyvtárak telepítéséről és használatáról itt találsz részletes leírást. A példák Node.js-ben lesznek, de használhatsz más nyelvet is, például Pythont vagy PHP-t.

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}`);

Ennyi! Beállítottad a Google Cloud Text to Speech API-t, és elküldted az első kérésed. A hangfájlt több formátumban is visszakapod, például OGG vagy MP3 formában.

Néhány tipp a Google Text to Speech API használatához

A Google Text to Speech (TTS) API sok területen kínál rugalmas megoldást. Néhány tipikus felhasználás:

1. Szövegfelolvasás látássérülteknek: Alkalmazásokban az írott tartalom hangzóvá tétele, hogy digitális információt látássérült felhasználók is elérhessék.
2. Automatizált telefonrendszerek: Természetes hangú üzenetek készítése ügyfélszolgálati rendszerekhez.
3. Médiatartalom hangalámondás: Élethű felolvasók videókhoz, podcastekhez, multimédiás tartalmakhoz.
4. Szövegfelolvasás fordított tartalmakhoz: Fordított szövegek hangosítása, nyelvtanulás és nemzetközi kommunikáció támogatására.
5. Olvasássegítés diszlexiásoknak: TTS-funkciós alkalmazások olvasási nehézséggel élők támogatására.
6. Hangos navigáció alkalmazásokban: Navigációs appoknál hangos útbaigazítás.
7. Oktatási tartalom szövegfelolvasás: E-learning szövegek felolvasása a könnyebb megértés és jobb bevonódás érdekében.
8. Produktivitási appokban beszédszintézis: TTS beépítése jegyzetelő, feladatkezelő appokba – hangos visszajelzéshez vagy információhoz.
9. Természetes hangú virtuális asszisztensek: Virtuális asszisztensek fejlesztése beszédszintetizált, természetes hanggal.
10. Hangos értesítések, figyelmeztetések: TTS-alapú értesítések IoT-eszközökön, a jobb felhasználói élményért.

Legjobb alternatívák a Google Cloud TTS API-ra

Tudomásom szerint 2022 januárjában több alternatíva is elérhető volt a Google Text to Speech API mellett. A szolgáltatások népszerűsége és tudása azóta változhatott. Íme néhány ismert alternatíva:

1. Speechify Text to Speech API: A Speechify Text to Speech API több mint 1 000 élethű, érzelmes MI hangot kínál 60+ nyelven, regionális dialektusokkal. Nézd meg most.
2. Amazon Polly: Az Amazon Web Services (AWS) szolgáltatása, természetes beszédszintézissel, több nyelven és hangon, jól integrálható az AWS ökoszisztémával.
3. Microsoft Azure Speech Service: Az Azure Speech Service tartalmaz szövegfelolvasást, számos alkalmazáshoz alkalmas – például asszisztensekhez, navigációhoz.
4. IBM Watson Text to Speech: Az IBM Watson Text to Speech szolgáltatása természetes hangokat kínál különböző hangstílusokkal.
5. Nuance Communications: A Nuance beszéd- és hangfelismerő megoldásokat kínál, többek között szövegfelolvasást is, például egészségügyben, autóiparban, ügyfélszolgálatban.
6. CereProc: A CereProc szövegfelolvasó cég kiváló minőségű szintetikus hangokat kínál (akadálymentesítéshez, szórakoztatáshoz stb.).
7. iSpeech: Az iSpeech felhőalapú szövegfelolvasást biztosít sok nyelven – appokhoz, weboldalakhoz is alkalmas.
8. ResponsiveVoice: A ResponsiveVoice egy egyszerű, olcsó szövegfelolvasó API, amely sok nyelvet támogat, webes alkalmazásokhoz ideális.
9. Neospeech: A Neospeech szövegfelolvasó megoldásai természetes hangokat kínálnak, főként e-learningre és szórakoztatásra.
10. ReadSpeaker: A ReadSpeaker online és offline szövegfelolvasó megoldásokat szállít (weboldalakhoz, e-learninghez, akadálymentesítéshez).
11. Acapelabox: Az Acapela Group felhőalapú szövegfelolvasó API-t kínál több nyelvhez – iparágak széles körében.

GYIK