Alibaba Cloud Model Studio:CosyVoice 音声合成 Java SDK

import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.utils.Constants;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.nio.ByteBuffer;

public class Main {
    // モデル
    private static String model = "cosyvoice-v3-flash";
    // ボイス
    private static String voice = "longanyang";

    public static void streamAudioDataToSpeaker() {
        // リクエストパラメーター
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // シンガポールおよび北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
                        // 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // モデル
                        .voice(voice) // ボイス
                        .build();

        // 同期モード：コールバックを無効化（第 2 引数を null に設定）。
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, null);
        ByteBuffer audio = null;
        try {
            // 音声が返されるまでブロックします。
            audio = synthesizer.call("今日の天気はどうですか？");
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // タスク完了後に WebSocket 接続を閉じます。
            synthesizer.getDuplexApi().close(1000, "bye");
        }
        if (audio != null) {
            // 音声データを「output.mp3」という名前のローカルファイルに保存します。
            File file = new File("output.mp3");
            // 最初のテキスト送信時に WebSocket 接続を確立する必要があります。そのため、最初のパケット遅延には接続確立時間も含まれます。
            System.out.println(
                    "[Metric] リクエスト ID: "
                            + synthesizer.getLastRequestId()
                            + ", 最初のパケット遅延 (ms): "
                            + synthesizer.getFirstPackageDelay());
            try (FileOutputStream fos = new FileOutputStream(file)) {
                fos.write(audio.array());
            } catch (IOException e) {
                throw new RuntimeException(e);
            }
        }
    }

    public static void main(String[] args) {
        // 次の URL はシンガポールリージョン用です。北京リージョンのモデルを使用する場合は、URL を wss://dashscope.aliyuncs.com/api-ws/v1/inference に置き換えてください。
        Constants.baseWebsocketApiUrl = "wss://dashscope-intl.aliyuncs.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

import com.alibaba.dashscope.audio.tts.SpeechSynthesisResult;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.utils.Constants;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
import java.util.concurrent.CountDownLatch;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    // モデル
    private static String model = "cosyvoice-v3-flash";
    // ボイス
    private static String voice = "longanyang";

    public static void streamAudioDataToSpeaker() {
        CountDownLatch latch = new CountDownLatch(1);

        // ResultCallback インターフェイスを実装します。
        ResultCallback<SpeechSynthesisResult> callback = new ResultCallback<SpeechSynthesisResult>() {
            @Override
            public void onEvent(SpeechSynthesisResult result) {
                // System.out.println("Message received: " + result);
                if (result.getAudioFrame() != null) {
                    // 音声データをローカルファイルに保存する処理をここに実装します。
                    System.out.println(TimeUtils.getTimestamp() + " 音声を受信しました");
                }
            }

            @Override
            public void onComplete() {
                System.out.println(TimeUtils.getTimestamp() + " 完了を受信しました。音声合成が終了しました。");
                latch.countDown();
            }

            @Override
            public void onError(Exception e) {
                System.out.println("例外が発生しました：" + e.toString());
                latch.countDown();
            }
        };

        // リクエストパラメーター
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // シンガポールおよび北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
                        // 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // モデル
                        .voice(voice) // ボイス
                        .build();
        // コールバックを第 2 引数として渡すことで、非同期モードを有効化します。
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, callback);
        // これはノンブロッキング呼び出しであり、即座に null を返します。実際の結果はコールバックインターフェイスを介して非同期的に渡されます。バイナリ音声はコールバックインターフェイスの onEvent メソッドでリアルタイムで返されます。
        try {
            synthesizer.call("今日の天気はどうですか？");
            // 合成が完了するまで待機します。
            latch.await();
            // すべての再生スレッドが終了するまで待機します。
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // タスク完了後に WebSocket 接続を閉じます。
            synthesizer.getDuplexApi().close(1000, "bye");
        }
        // 最初のテキスト送信時に WebSocket 接続を確立する必要があります。そのため、最初のパケット遅延には接続確立時間も含まれます。
        System.out.println(
                "[Metric] リクエスト ID: "
                        + synthesizer.getLastRequestId()
                        + ", 最初のパケット遅延 (ms): "
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) {
        // 次の URL はシンガポールリージョン用です。北京リージョンのモデルを使用する場合は、URL を wss://dashscope.aliyuncs.com/api-ws/v1/inference に置き換えてください。
        Constants.baseWebsocketApiUrl = "wss://dashscope-intl.aliyuncs.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

import com.alibaba.dashscope.audio.tts.SpeechSynthesisResult;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisAudioFormat;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.utils.Constants;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}


public class Main {
    private static String[] textArray = {"ストリーミング音声合成 SDK ",
            "は入力テキストを", "バイナリ音声データに変換できます。", "非ストリーミング合成と比較して、",
            "ストリーミングはより優れたリアルタイム性能を提供します。", "タイプするのとほぼ同時に音声出力を聞くことができ、",
            "ユーザー体験が大幅に向上し、待ち時間が短縮されます。", "これは、大規模言語モデル（LLM）を活用して、",
            "テキストのストリームから音声を合成するアプリケーションに最適です。"};
    private static String model = "cosyvoice-v3-flash"; // モデル
    private static String voice = "longanyang"; // ボイス

    public static void streamAudioDataToSpeaker() {
        // コールバック関数を構成します。
        ResultCallback<SpeechSynthesisResult> callback = new ResultCallback<SpeechSynthesisResult>() {
            @Override
            public void onEvent(SpeechSynthesisResult result) {
                // System.out.println("Message received: " + result);
                if (result.getAudioFrame() != null) {
                    // 音声データを処理するロジックをここに実装します。
                    System.out.println(TimeUtils.getTimestamp() + " 音声を受信しました");
                }
            }

            @Override
            public void onComplete() {
                System.out.println(TimeUtils.getTimestamp() + " 完了を受信しました。音声合成が終了しました。");
            }

            @Override
            public void onError(Exception e) {
                System.out.println("例外が発生しました：" + e.toString());
            }
        };

        // リクエストパラメーター
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // シンガポールおよび北京リージョンの API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/en/model-studio/get-api-key をご参照ください。
                        // 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model)
                        .voice(voice)
                        .format(SpeechSynthesisAudioFormat
                                .PCM_22050HZ_MONO_16BIT) // ストリーミング合成には PCM または MP3 を使用します。
                        .build();
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, callback);
        // コールバック付きの call メソッドは、現在のスレッドをブロックしません。
        try {
            for (String text : textArray) {
                // テキスト断片を送信し、コールバックインターフェイスの onEvent メソッドでリアルタイムにバイナリ音声を取得します。
                synthesizer.streamingCall(text);
            }
            // ストリーミング音声合成の完了を待機します。
            synthesizer.streamingComplete();
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // タスク完了後に WebSocket 接続を閉じます。
            synthesizer.getDuplexApi().close(1000, "bye");
        }

        // 最初のテキスト送信時に WebSocket 接続を確立する必要があります。そのため、最初のパケット遅延には接続確立時間も含まれます。
        System.out.println(
                "[Metric] リクエスト ID: "
                        + synthesizer.getLastRequestId()
                        + ", 最初のパケット遅延 (ms): "
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) {
        // 次の URL はシンガポールリージョン用です。北京リージョンのモデルを使用する場合は、URL を wss://dashscope.aliyuncs.com/api-ws/v1/inference に置き換えてください。
        Constants.baseWebsocketApiUrl = "wss://dashscope-intl.aliyuncs.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

ResultCallback<SpeechSynthesisResult> callback = new ResultCallback<SpeechSynthesisResult>() {
    @Override
    public void onEvent(SpeechSynthesisResult result) {
        System.out.println("リクエスト ID: " + result.getRequestId());
        // 音声チャンクをリアルタイムで処理します（例：再生またはバッファーへの書き込み）。
    }

    @Override
    public void onComplete() {
        System.out.println("タスク完了");
        // 合成完了ロジックを処理します（例：プレーヤーの解放）。
    }

    @Override
    public void onError(Exception e) {
        System.out.println("タスク失敗：" + e.getMessage());
        // 例外を処理します（ネットワークエラーまたはサーバー側のエラーコード）。
    }
};