[Day 18] Google Cloud Text-to-Speech - 1

Published:

今天來介紹Google另一個AI服務：文字轉語音(Text-To-Search)。把一段文字丟入以後，他可以唸出來給你。這套服務目前還沒有AutoML的UI介面可以操作，我們就只能看看API跟demo的操作。

在Text-To-Search裡，Google有使用到WaveNet模型，這套模型用了大量的語音去訓練AI，讓AI能知道哪些字接著哪些字應該怎麼發音，讓聲音更像人說出來的一樣。

更詳細的WaveNet可以看Google這邊的介紹：https://cloud.google.com/text-to-speech/docs/wavenet
還可以聽一下不是WaveNet說的話，跟WaveNet說的話之間的差別

好，我們先來看看Demo：

Demo#

Demo

點下去需要一段時間，他就會把輸入框裡的文字唸出來。只是這邊的locale目前還沒有中文可以選，所以聽不出來中文講出來會怎樣。Voice Name有很多種聲音可以選擇，也有男生跟女生的發音，另外你也可以自己調整Speed跟Pitch(音調)

然後我們來看看他的Request JSON：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
{
  "audioConfig": {
    "audioEncoding": "LINEAR16",
    "pitch": 0.4,
    "speakingRate": 1.94
  },
  "input": {
    "text": "Google Cloud Text-to-Speech enables developers to synthesize natural-sounding speech with 100+ voices, available in multiple languages and variants. It applies DeepMind’s groundbreaking research in WaveNet and Google’s powerful neural networks to deliver the highest fidelity possible. As an easy-to-use API, you can create lifelike interactions with your users, across many applications and devices."
  },
  "voice": {
    "languageCode": "en-US",
    "name": "en-US-Standard-E"
  }
}

看起來在呼叫的時候也可以帶入這些參數：pitch、speakingRate(speed)、text、languageCode、還有name，至於autoEncoding，則有UNSPECIFIED、LINEAR16、MP3、OGG_OPUS四種選項，可以參考API doc的說明。

講到這邊差不多是今天的尾聲，每次的起手式都很簡單。明天又要來串API了。
OK，今天就寫到這邊，感謝大家的觀看。