You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
156 lines
7.6 KiB
156 lines
7.6 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "606f3af1c78e3741e48ce77c31cea626",
|
|
"translation_date": "2025-08-27T23:14:03+00:00",
|
|
"source_file": "6-consumer/lessons/3-spoken-feedback/pi-text-to-speech.md",
|
|
"language_code": "tl"
|
|
}
|
|
-->
|
|
# Text to speech - Raspberry Pi
|
|
|
|
Sa bahaging ito ng aralin, magsusulat ka ng code upang i-convert ang text sa speech gamit ang speech service.
|
|
|
|
## I-convert ang text sa speech gamit ang speech service
|
|
|
|
Ang text ay maaaring ipadala sa speech service gamit ang REST API upang makakuha ng audio file na maaaring i-play sa iyong IoT device. Kapag humihiling ng speech, kailangan mong tukuyin ang boses na gagamitin dahil ang speech ay maaaring mabuo gamit ang iba't ibang boses.
|
|
|
|
Ang bawat wika ay sumusuporta sa iba't ibang uri ng boses, at maaari kang gumawa ng REST request sa speech service upang makuha ang listahan ng mga suportadong boses para sa bawat wika.
|
|
|
|
### Gawain - kumuha ng boses
|
|
|
|
1. Buksan ang proyekto na `smart-timer` sa VS Code.
|
|
|
|
1. Idagdag ang sumusunod na code sa itaas ng `say` function upang humiling ng listahan ng mga boses para sa isang wika:
|
|
|
|
```python
|
|
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}')
|
|
```
|
|
|
|
Ang code na ito ay nagde-define ng isang function na tinatawag na `get_voice` na gumagamit ng speech service upang makuha ang listahan ng mga boses. Pagkatapos nito, hahanapin ang unang boses na tumutugma sa wikang ginagamit.
|
|
|
|
Ang function na ito ay tatawagin upang i-store ang unang boses, at ang pangalan ng boses ay ipapakita sa console. Ang boses na ito ay maaaring hilingin nang isang beses at ang halaga ay maaaring gamitin para sa bawat tawag upang i-convert ang text sa speech.
|
|
|
|
> 💁 Maaari mong makuha ang buong listahan ng mga suportadong boses mula sa [Language and voice support documentation on Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/speech-service/language-support?WT.mc_id=academic-17441-jabenn#text-to-speech). Kung nais mong gumamit ng partikular na boses, maaari mong alisin ang function na ito at direktang i-hard code ang pangalan ng boses mula sa dokumentasyong ito. Halimbawa:
|
|
>
|
|
> ```python
|
|
> voice = 'hi-IN-SwaraNeural'
|
|
> ```
|
|
|
|
### Gawain - i-convert ang text sa speech
|
|
|
|
1. Sa ibaba nito, mag-define ng constant para sa audio format na kukunin mula sa speech services. Kapag humiling ka ng audio, maaari mo itong gawin sa iba't ibang format.
|
|
|
|
```python
|
|
playback_format = 'riff-48khz-16bit-mono-pcm'
|
|
```
|
|
|
|
Ang format na maaari mong gamitin ay depende sa iyong hardware. Kung makakakuha ka ng `Invalid sample rate` errors kapag pinapatugtog ang audio, palitan ito ng ibang halaga. Maaari mong makita ang listahan ng mga suportadong halaga sa [Text to speech REST API documentation on Microsoft Docs](https://docs.microsoft.com/azure/cognitive-services/speech-service/rest-text-to-speech?WT.mc_id=academic-17441-jabenn#audio-outputs). Kailangan mong gumamit ng `riff` format audio, at ang mga halagang maaaring subukan ay `riff-16khz-16bit-mono-pcm`, `riff-24khz-16bit-mono-pcm` at `riff-48khz-16bit-mono-pcm`.
|
|
|
|
1. Sa ibaba nito, mag-declare ng function na tinatawag na `get_speech` na magko-convert ng text sa speech gamit ang speech service REST API:
|
|
|
|
```python
|
|
def get_speech(text):
|
|
```
|
|
|
|
1. Sa `get_speech` function, i-define ang URL na tatawagin at ang headers na ipapasa:
|
|
|
|
```python
|
|
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
|
|
}
|
|
```
|
|
|
|
Ang mga headers na ito ay ginagamit upang mag-set ng generated access token, i-set ang content sa SSML, at tukuyin ang audio format na kailangan.
|
|
|
|
1. Sa ibaba nito, i-define ang SSML na ipapadala sa REST API:
|
|
|
|
```python
|
|
ssml = f'<speak version=\'1.0\' xml:lang=\'{language}\'>'
|
|
ssml += f'<voice xml:lang=\'{language}\' name=\'{voice}\'>'
|
|
ssml += text
|
|
ssml += '</voice>'
|
|
ssml += '</speak>'
|
|
```
|
|
|
|
Ang SSML na ito ay nagse-set ng wika at boses na gagamitin, kasama ang text na iko-convert.
|
|
|
|
1. Sa wakas, magdagdag ng code sa function na ito upang gumawa ng REST request at ibalik ang binary audio data:
|
|
|
|
```python
|
|
response = requests.post(url, headers=headers, data=ssml.encode('utf-8'))
|
|
return io.BytesIO(response.content)
|
|
```
|
|
|
|
### Gawain - i-play ang audio
|
|
|
|
1. Sa ibaba ng `get_speech` function, mag-define ng bagong function upang i-play ang audio na ibinalik ng REST API call:
|
|
|
|
```python
|
|
def play_speech(speech):
|
|
```
|
|
|
|
1. Ang `speech` na ipinasa sa function na ito ay ang binary audio data na ibinalik mula sa REST API. Gamitin ang sumusunod na code upang buksan ito bilang wave file at ipasa ito sa PyAudio upang i-play ang audio:
|
|
|
|
```python
|
|
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()
|
|
```
|
|
|
|
Ang code na ito ay gumagamit ng PyAudio stream, katulad ng pag-capture ng audio. Ang pagkakaiba dito ay ang stream ay naka-set bilang output stream, at ang data ay binabasa mula sa audio data at ipinapasa sa stream.
|
|
|
|
Sa halip na i-hard code ang mga detalye ng stream tulad ng sample rate, ito ay binabasa mula sa audio data.
|
|
|
|
1. Palitan ang nilalaman ng `say` function sa sumusunod:
|
|
|
|
```python
|
|
speech = get_speech(text)
|
|
play_speech(speech)
|
|
```
|
|
|
|
Ang code na ito ay nagko-convert ng text sa speech bilang binary audio data, at pinapatugtog ang audio.
|
|
|
|
1. Patakbuhin ang app, at tiyakin na ang function app ay tumatakbo rin. Mag-set ng ilang timers, at maririnig mo ang isang spoken response na nagsasabing ang iyong timer ay na-set, pagkatapos ay isa pang spoken response kapag natapos na ang timer.
|
|
|
|
Kung makakakuha ka ng `Invalid sample rate` errors, palitan ang `playback_format` tulad ng inilarawan sa itaas.
|
|
|
|
> 💁 Maaari mong makita ang code na ito sa [code-spoken-response/pi](../../../../../6-consumer/lessons/3-spoken-feedback/code-spoken-response/pi) folder.
|
|
|
|
😀 Tagumpay ang iyong timer program!
|
|
|
|
---
|
|
|
|
**Paunawa**:
|
|
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito. |