ずんだもんをAPIを使って動かす

1. home
2. python

: 2024年2月25日 : 2024年3月2日 https://voicevox.hiroshiba.jp/ にアクセスし、ソフトウェアをダウンロードする CPU版であっても問題なく動きます.筆者にはGPU環境がないのでCPU版をダウンロードします. このように警告画面が出ますが,詳細情報をクリックするとインストールすることができます。あとは「次へ」を連打すれば問題なくインストールできます. 最後にVOICEBOXアプリを起動し,http://localhost:50021/docsにアクセスしてページが表示されれば 準備完了です.
(アプリがどこにあるかわからない方はタスクバーの検索で「VOICEBOX」と入力してみてください)

    import json
import requests
import simpleaudio as sa
import io
import wave

def generate_and_play_wav(text, speaker=1):
    host = 'localhost'
    port = 50021
    params = (
        ('text', text),
        ('speaker', speaker),
    )

    # 音声合成のためのクエリを送信
    response1 = requests.post(
        f'http://{host}:{port}/audio_query',
        params=params
    )

    headers = {'Content-Type': 'application/json',}

    # 合成された音声データを取得
    response2 = requests.post(
        f'http://{host}:{port}/synthesis',
        headers=headers,
        params=params,
        data=json.dumps(response1.json())
    )

    # バイナリデータをwaveオブジェクトとして読み込む
    with io.BytesIO(response2.content) as audio_io:
        with wave.open(audio_io, 'rb') as wave_read:
            # simpleaudioで再生可能なオーディオオブジェクトを生成
            audio_data = wave_read.readframes(wave_read.getnframes())
            wave_obj = sa.WaveObject(audio_data, wave_read.getnchannels(), wave_read.getsampwidth(), wave_read.getframerate())

    # WAVファイル再生部分
    play_obj = wave_obj.play()
    play_obj.wait_done()  # 再生が完了するまで待つ

if __name__ == '__main__':
    text = '明日の天気は晴れと雪だよ'
    generate_and_play_wav(text)

上記のプログラムをVOICEVOXアプリが起動されている状態で実行してください.数秒のラグがありますが、音声が再生されるはずです。 関数generate_and_play_wavが音声を読み上げる関数。引数は以下。 speakerの整数と読み手の対応関係の一部は のようになっている。口調も変えることができ、別の整数値が用意されている。上の表の口調はすべてノーマル。 わからない単語に出くわしたら見てみてください。

1. Web APIの仕様の理解する。どのような通信手段で、どのようなURLを用いれば、何が返されるかを理解する。「VOICEVOX API使い方」などで検索するといろいろでてくるけどこのページがわかりやすい
2. APIキーまたは認証トークンを取得する。今回は必要ない。
3. HTTPリクエストメソッドを選択し、リクエストパラメーターを選択し、適切なAPIエンドポイントを選択する
4. 一つ上で作成したリクエストを送信、レスポンスを取得する。pythonではrequestsクラスのgetメソッド、postメソッドでリクエストの送信、取得ができる。
5. あとはレスポンスを適切に処理すればよい

このページを例に解説をする

• 右のpost /audio_queryから、パスがaudio_queryで音声合成用のクエリが生成できることがわかる
• QUERY PARAMETERSで用いるパラメーターと、なにが必須かどうかと、型がわかる
• 右のResponse samplesではレスポンスとしてどんなデータが返るかわかる。
• ここで得られたクエリはそのまま音声合成に利用できますとあるので、この/audio_queryのレスポンスを後で使うかもしれないと予想がつく
• どうやら、「音声合成用」らしいので、このレスポンスではまだ音声合成ができていないらしい。

左のサイドバーの「音声合成/音声合成をする」を見てみる。

• 右のpost /synthesisから、パスがsynthesisで音声合成ができることがわかる
• QUERY PARAMETERSで用いるパラメーターと、なにが必須かどうかと、型がわかる
• 「REQUEST BODY SCHEMA: application/json」から、リクエストボディの形式がJSON形式である必要があることがわかる。
  headers = {'Content-Type': 'application/json',}のようにして明示的に指定する。
• 右の「Payload」の下から、リクエストボディが必要であることと、Content type が application/json であることがわかる
• pythonのrequestsライブラリでは、リクエストボディは「data=」という形式で指定していると定められているので、response1.json()で「application/json」形式のデータを取得し、jsonのdumpsでテキストに変換する
• 上のスクリーンショットには映っていないが、「Responses」という名前の見出しの「Successful Response」とクリックすると、「RESPONSE SCHEMA: audio/wav」となっている。これより、レスポンスがwav形式であることがわかる

    host = 'localhost'
port = 50021
params = (
    ('text', text),
    ('speaker', speaker),
)

# 音声合成のためのクエリを送信
response1 = requests.post(
    f'http://{host}:{port}/audio_query',
    params=params
)

headers = {'Content-Type': 'application/json',}

# 合成された音声データを取得
response2 = requests.post(
    f'http://{host}:{port}/synthesis',
    headers=headers,
    params=params,
    data=json.dumps(response1.json())
    )

• 「voicevox api ベースURL」と調べるとベースURLはhttp://localhost:50021/らしい
• 一つ目のリクエストは、/audio_queryで「text」「speaker」がパラメーターとして必要なことはわかっているので、postメソッドの引数にそれぞれ指定する
• 二つ目のリクエストは、ヘッダーとパラメーターとリクエストボディを指定する。

    # バイナリデータをwaveオブジェクトとして読み込む
with io.BytesIO(response2.content) as audio_io:
    with wave.open(audio_io, 'rb') as wave_read:
        # simpleaudioで再生可能なオーディオオブジェクトを生成
        audio_data = wave_read.readframes(wave_read.getnframes())
        wave_obj = sa.WaveObject(audio_data, wave_read.getnchannels(), wave_read.getsampwidth(), wave_read.getframerate())

# WAVファイル再生部分
play_obj = wave_obj.play()
play_obj.wait_done()  # 再生が完了するまで待つ