12 KiB

Raw Permalink Blame History

Text to speech - Raspberry Pi

ในส่วนนี้ของบทเรียน คุณจะเขียนโค้ดเพื่อแปลงข้อความเป็นเสียงโดยใช้บริการเสียงพูด

แปลงข้อความเป็นเสียงโดยใช้บริการเสียงพูด

ข้อความสามารถส่งไปยังบริการเสียงพูดผ่าน REST API เพื่อรับเสียงเป็นไฟล์เสียงที่สามารถเล่นบนอุปกรณ์ IoT ของคุณได้ เมื่อร้องขอเสียงพูด คุณจำเป็นต้องระบุเสียงที่จะใช้ เนื่องจากเสียงพูดสามารถสร้างได้จากเสียงที่หลากหลาย

แต่ละภาษารองรับเสียงที่แตกต่างกัน และคุณสามารถทำการร้องขอ REST กับบริการเสียงพูดเพื่อรับรายการเสียงที่รองรับสำหรับแต่ละภาษา

งาน - รับเสียงพูด

เปิดโปรเจกต์ smart-timer ใน VS Code
เพิ่มโค้ดต่อไปนี้เหนือฟังก์ชัน say เพื่อร้องขอรายการเสียงสำหรับภาษา:
```
def get_voice():
    url = f'https://{location}.tts.speech.microsoft.com/cognitiveservices/voices/list'

    headers = {
        'Authorization': 'Bearer ' + get_access_token()
    }

    response = requests.get(url, headers=headers)
    voices_json = json.loads(response.text)

    first_voice = next(x for x in voices_json if x['Locale'].lower() == language.lower() and x['VoiceType'] == 'Neural')
    return first_voice['ShortName']

voice = get_voice()
print(f'Using voice {voice}')
```
โค้ดนี้กำหนดฟังก์ชันที่ชื่อว่า get_voice ซึ่งใช้บริการเสียงพูดเพื่อรับรายการเสียง จากนั้นจะค้นหาเสียงแรกที่ตรงกับภาษาที่กำลังใช้งาน

ฟังก์ชันนี้จะถูกเรียกเพื่อเก็บเสียงแรก และชื่อเสียงจะถูกพิมพ์ลงในคอนโซล เสียงนี้สามารถร้องขอครั้งเดียวและใช้ค่านี้สำหรับทุกการเรียกเพื่อแปลงข้อความเป็นเสียงพูด
💁 คุณสามารถรับรายการเสียงที่รองรับทั้งหมดได้จาก เอกสาร Language and voice support บน Microsoft Docs หากคุณต้องการใช้เสียงเฉพาะ คุณสามารถลบฟังก์ชันนี้และกำหนดเสียงโดยตรงจากชื่อเสียงในเอกสารนี้ ตัวอย่างเช่น:
```
voice = 'hi-IN-SwaraNeural'
```

งาน - แปลงข้อความเป็นเสียงพูด

ด้านล่างนี้ ให้กำหนดค่าคงที่สำหรับรูปแบบเสียงที่จะดึงมาจากบริการเสียงพูด เมื่อคุณร้องขอเสียง คุณสามารถทำได้ในรูปแบบที่หลากหลาย
```
playback_format = 'riff-48khz-16bit-mono-pcm'
```
รูปแบบที่คุณสามารถใช้ขึ้นอยู่กับฮาร์ดแวร์ของคุณ หากคุณได้รับข้อผิดพลาด Invalid sample rate เมื่อเล่นเสียง ให้เปลี่ยนเป็นค่าอื่น คุณสามารถค้นหารายการค่าที่รองรับได้ใน เอกสาร Text to speech REST API บน Microsoft Docs คุณจะต้องใช้เสียงในรูปแบบ riff และค่าที่ควรลองคือ riff-16khz-16bit-mono-pcm, riff-24khz-16bit-mono-pcm และ riff-48khz-16bit-mono-pcm
ด้านล่างนี้ ให้ประกาศฟังก์ชันที่ชื่อว่า get_speech ซึ่งจะใช้ REST API ของบริการเสียงพูดเพื่อแปลงข้อความเป็นเสียง:
```
def get_speech(text):
```
ในฟังก์ชัน get_speech ให้กำหนด URL ที่จะเรียกและส่วนหัวที่จะส่ง:
```
    url = f'https://{location}.tts.speech.microsoft.com/cognitiveservices/v1'

    headers = {
        'Authorization': 'Bearer ' + get_access_token(),
        'Content-Type': 'application/ssml+xml',
        'X-Microsoft-OutputFormat': playback_format
    }
```
ส่วนนี้กำหนดส่วนหัวเพื่อใช้โทเค็นการเข้าถึงที่สร้างขึ้น กำหนดเนื้อหาเป็น SSML และกำหนดรูปแบบเสียงที่ต้องการ
ด้านล่างนี้ ให้กำหนด SSML ที่จะส่งไปยัง REST API:
```
ssml =  f'<speak version=\'1.0\' xml:lang=\'{language}\'>'
ssml += f'<voice xml:lang=\'{language}\' name=\'{voice}\'>'
ssml += text
ssml += '</voice>'
ssml += '</speak>'
```
SSML นี้กำหนดภาษาและเสียงที่จะใช้ พร้อมกับข้อความที่จะแปลง
สุดท้าย เพิ่มโค้ดในฟังก์ชันนี้เพื่อทำการร้องขอ REST และส่งคืนข้อมูลเสียงแบบไบนารี:
```
response = requests.post(url, headers=headers, data=ssml.encode('utf-8'))
return io.BytesIO(response.content)
```

งาน - เล่นเสียง

ด้านล่างฟังก์ชัน get_speech ให้กำหนดฟังก์ชันใหม่เพื่อเล่นเสียงที่ส่งคืนจากการเรียก REST API:
```
def play_speech(speech):
```
speech ที่ส่งไปยังฟังก์ชันนี้จะเป็นข้อมูลเสียงแบบไบนารีที่ส่งคืนจาก REST API ใช้โค้ดต่อไปนี้เพื่อเปิดเป็นไฟล์ wave และส่งไปยัง PyAudio เพื่อเล่นเสียง:
```
def play_speech(speech):
    with wave.open(speech, 'rb') as wave_file:
        stream = audio.open(format=audio.get_format_from_width(wave_file.getsampwidth()),
                            channels=wave_file.getnchannels(),
                            rate=wave_file.getframerate(),
                            output_device_index=speaker_card_number,
                            output=True)

        data = wave_file.readframes(4096)

        while len(data) > 0:
            stream.write(data)
            data = wave_file.readframes(4096)

        stream.stop_stream()
        stream.close()
```
โค้ดนี้ใช้สตรีม PyAudio เช่นเดียวกับการจับเสียง ความแตกต่างคือสตรีมถูกตั้งค่าเป็นสตรีมเอาต์พุต และข้อมูลถูกอ่านจากข้อมูลเสียงและส่งไปยังสตรีม

แทนที่จะกำหนดรายละเอียดสตรีม เช่น อัตราตัวอย่างโดยตรง รายละเอียดเหล่านี้จะถูกอ่านจากข้อมูลเสียง
แทนที่เนื้อหาของฟังก์ชัน say ด้วยโค้ดต่อไปนี้:
```
speech = get_speech(text)
play_speech(speech)
```
โค้ดนี้แปลงข้อความเป็นเสียงเป็นข้อมูลเสียงแบบไบนารี และเล่นเสียง
รันแอป และตรวจสอบให้แน่ใจว่าแอปฟังก์ชันกำลังทำงานอยู่ ตั้งค่าตัวจับเวลา และคุณจะได้ยินการตอบกลับด้วยเสียงพูดที่บอกว่าตัวจับเวลาของคุณถูกตั้งค่าแล้ว และอีกครั้งเมื่อจับเวลาสิ้นสุด

หากคุณได้รับข้อผิดพลาด Invalid sample rate ให้เปลี่ยน playback_format ตามที่อธิบายไว้ด้านบน

💁 คุณสามารถค้นหาโค้ดนี้ได้ใน code-spoken-response/pi โฟลเดอร์

😀 โปรแกรมตัวจับเวลาของคุณสำเร็จแล้ว!

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้

12 KiB Raw Permalink Blame History