Как синтезировать речь в SpeechKit API v3

В этом разделе вы научитесь синтезировать речь из текста с помощью SpeechKit API v3 (gRPC).

Аутентификация для работы с API

Для работы с API SpeechKit пройдите аутентификацию. Ее способ зависит от типа аккаунта:

  1. Получите IAM-токен для аккаунта на Яндексе, федеративного или локального аккаунта.
  2. Получите идентификатор каталога, на который у вашего аккаунта есть роли ai.speechkit-stt.user, ai.speechkit-tts.user или выше.

  3. При обращении к SpeechKit через API в каждом запросе передавайте полученные параметры:

    • Для API v1 и API v2:

      Указывайте IAM-токен в заголовке Authorization в следующем формате:

      Authorization: Bearer <IAM-токен>

      Идентификатор каталога указывайте в теле запроса в параметре folderId.

    • Для API v3:

      • в заголовке Authorization указывайте IAM-токен;
      • в заголовке x-folder-id указывайте идентификатор каталога.
      Authorization: Bearer <IAM-токен> 
        x-folder-id: <идентификатор_каталога>

SpeechKit поддерживает два способа аутентификации с сервисным аккаунтом:

  • С помощью IAM-токена:

    1. Получите IAM-токен.

    2. Полученный IAM-токен передавайте в заголовке Authorization в следующем формате:

      Authorization: Bearer <IAM-токен>

  • С помощью API-ключей.

    Используйте API-ключи, если у вас нет возможности автоматически запрашивать IAM-токен.

    1. Получите API-ключ.

    2. Полученный API-ключ передавайте в заголовке Authorization в следующем формате:

      Authorization: Api-Key <API-ключ>

Не указывайте в запросах идентификатор каталога — сервис использует каталог, в котором был создан сервисный аккаунт.

В примере ниже аутентификация выполняется от имени аккаунта на Яндексе.

Перед началом работы

  1. Установите утилиту grpcurl.

  2. Установите утилиту jq для потоковой обработки JSON-файлов:

    sudo apt update && sudo apt install jq

Примечание

Вы можете реализовать синтез речи в SpeechKit API v3 как с помощью указанных утилит, так и другими способами.

Преобразуйте текст в аудиофайл

Чтобы синтезировать речь из текста в TTS-разметке в файл формата WAV:

  1. Создайте файл c телом запроса API и текстом для синтеза речи:

    tts_req.json
    {
         "text": "Я Яндекс Спичк+ит. Я могу превратить любой текст в речь. Теперь и в+ы — можете!",
         "outputAudioSpec": {
           "containerAudio": {
             "containerAudioType": "WAV"
           }
         },
         "hints": [
             {
                 "voice": "jane"
             },
             {
                 "role": "good"
             }
         ],
         "loudnessNormalizationType": "LUFS"
        }

  2. Выполните команды:

    export FOLDER_ID=<идентификатор_каталога>
        export IAM_TOKEN=<IAM-токен>
        jq . -c tts_req.json | \
        grpcurl -H "authorization: Bearer ${IAM_TOKEN}" \
                -H "x-folder-id: ${FOLDER_ID}" \
                -d @ tts.api.cloud.yandex.net:443 speechkit.tts.v3.Synthesizer/UtteranceSynthesis | \
        jq -r '.audioChunk.data' | base64 -d > speech.wav

    Где:

    • FOLDER_ID — идентификатор каталога, полученный ранее.

      Если вы используете IAM-токен сервисного аккаунта, не указывайте в запросе идентификатор каталога — сервис использует каталог, в котором был создан сервисный аккаунт.

    • IAM_TOKEN — IAM-токен, полученный ранее.

    • speech.wav – файл, в который будет записан ответ.

В результате в папке будет создан файл speech.wav с синтезированной речью.

См. также

Предыдущая
Как синтезировать речь в API v1
Следующая
О технологии