如何从谷歌云文本到语音API获取SSML时间戳

Question

我想通过Google Cloud文本到语音API使用SSML标记来请求音频流中这些标记的计时。这些时间戳是必要的，以便为效果、单词/部分突出显示和用户反馈提供线索。

我发现这个问题是相关的，尽管这个问题指的是每个单词的时间戳，而不是SSML

下面的API请求返回OK，但显示缺少请求的标记数据。这是使用云文本语音API v1。

{
 "voice": {
  "languageCode": "en-US"
 },
 "input": {
  "ssml": "<speak>First, <mark name=\"a\"/> second, <mark name=\"b\"/> third.</speak>"
 },
 "audioConfig": {
  "audioEncoding": "mp3"
 }
} 

答复：

{
 "audioContent":"//NExAAAAANIAAAAABcFAThYGJqMWA..."
}

它只提供合成音频，没有任何上下文信息。

我是否忽略了一个API请求，它可以公开关于这些标记的信息，比如IBM Watson和Amazon Polly的情况？




Answer 1

在撰写本文时，时间点数据可在Google cloud text-to-speech的v1beta1版本中找到。

除了默认访问权限，我不需要登录任何额外的开发人员程序就可以访问beta版。

在Python中导入（例如）源于：

from google.cloud import texttospeech as tts

至：

from google.cloud import texttospeech_v1beta1 as tts

又好又简单。

我需要修改发送合成请求的默认方式，以包含enable_time_pointing标志。

我发现这是通过在这里浏览机器可读的应用编程接口描述和阅读我已经下载的Python库代码来实现的。

谢天谢地，通用版本中的源代码还包括v1beta版本-谢谢谷歌！

我在下面放了一个可运行的示例。运行它需要与一般语音文字转换示例相同的认证和设置，您可以通过遵循官方留档获得。

以下是它对我的作用（为了可读性，稍微设置了一些格式）：

$ python tools/try-marks.py
Marks content written to file: .../demo.json
Audio content written to file: .../demo.mp3

$ cat demo.json
[
  {"sec": 0.4300000071525574, "name": "here"},
  {"sec": 0.9234582781791687, "name": "there"}
]

这是样本：

import json
from pathlib import Path
from google.cloud import texttospeech_v1beta1 as tts


def go_ssml(basename: Path, ssml):
    client = tts.TextToSpeechClient()
    voice = tts.VoiceSelectionParams(
        language_code="en-AU",
        name="en-AU-Wavenet-B",
        ssml_gender=tts.SsmlVoiceGender.MALE,
    )

    response = client.synthesize_speech(
        request=tts.SynthesizeSpeechRequest(
            input=tts.SynthesisInput(ssml=ssml),
            voice=voice,
            audio_config=tts.AudioConfig(audio_encoding=tts.AudioEncoding.MP3),
            enable_time_pointing=[
                tts.SynthesizeSpeechRequest.TimepointType.SSML_MARK]
        )
    )

    # cheesy conversion of array of Timepoint proto.Message objects into plain-old data
    marks = [dict(sec=t.time_seconds, name=t.mark_name)
             for t in response.timepoints]

    name = basename.with_suffix('.json')
    with name.open('w') as out:
        json.dump(marks, out)
        print(f'Marks content written to file: {name}')

    name = basename.with_suffix('.mp3')
    with name.open('wb') as out:
        out.write(response.audio_content)
        print(f'Audio content written to file: {name}')


go_ssml(Path.cwd() / 'demo', """
    <speak>
    Go from <mark name="here"/> here, to <mark name="there"/> there!
    </speak>
    """)

Answer 2

看起来这在云文本到语音API v1beta1中是受支持的：https://cloud.google.com/text-to-speech/docs/reference/rest/v1beta1/text/synthesize#TimepointType

您可以使用https://texttospeech.googleapis.com/v1beta1/text：合成。将Timepoint Type设置为SSML_MARK。如果未设置此字段，则默认情况下不返回时间点。