Google Colab で OpenAI API の Text-to-Speech を試す

「Google Colab」で「OpenAI API」の「Text-to-Speech」を試したので、まとめました。

前回

1. Text-to-Speech

「Text-to-Speech」、テキストの読み上げを行うAPIです。6つの内蔵ボイスが付属しており、次の目的で使用できます。

2. セットアップ

Colabでのセットアップ手順は、次のとおりです。
(1) パッケージのインストール。

# パッケージのインストール
!pip install openai

(2) 環境変数の準備。
以下のコードの <OpenAI_APIキー> にはOpenAIのサイトで取得できるAPIキーを指定します。(有料)

import os
os.environ["OPENAI_API_KEY"] = "<OpenAI_APIキー>"

(3) クライアントの準備。
「クライアント」は「OpenAI API」にアクセスするインタフェースになります。

from openai import OpenAI

# クライアントの準備
client = OpenAI()

3. テキストの読み上げ

(1) 音声ファイルの出力。
「speech.mp3」に出力されます。

from pathlib import Path

# テキストの読み上げ
response = client.audio.speech.create(
    model="tts-1",
    voice="alloy",
    input="ワガハイは猫である。名前はまだない。"
)

# 音声ファイルに出力
response.stream_to_file("./speech.mp3")

パラメータは、次のとおりです。

標準の「tts-1」は高速で低品質、「tts-1-hd」は低速で高品質です。

4. テキストの読み上げのTips

4-1. オーディオ品質

リアルタイム アプリケーションの場合、標準の「tts-1」が高速で適していますが、品質は「tts-1-hd」の方が上です。オーディオの生成方法により、「tts-1」は、特定の状況において「tts-1-hd」よりも静的なコンテンツを生成する可能性があります。場合によっては、リスニングデバイスや個人によっては、音声に顕著な違いが感じられない場合があります。

4-2. 音声オプション

さまざまな音声 (alloy、echo、fable、onyx, nova、shimmer) を試して、希望のトーンと聴衆に合うものを見つけてください。

4-3. FAQ

次回