Alibaba Cloud Model Studio:CosyVoice 音声合成 Python SDK

• 非ストリーミング： 完全なテキストを一度に送信し、完全なオーディオを直接返すブロッキング呼び出し。短文の音声合成に最適です。

• 単方向ストリーミング： 完全なテキストを一度に送信するノンブロッキング呼び出しで、コールバック関数を通じてオーディオデータ（チャンク単位の可能性あり）を配信します。低遅延が求められる短文シナリオに最適です。

• 双方向ストリーミング： 複数のセグメントに分けてテキストを送信するノンブロッキング呼び出しで、リアルタイムでコールバック関数を通じて増分的に合成されたオーディオを配信します。低遅延が求められる長文シナリオに最適です。

# coding=utf-8

import dashscope
from dashscope.audio.tts_v2 import *
import os

# シンガポールおよび中国 (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： https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください： dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# 以下の構成はシンガポールリージョン用です。{WorkspaceId} を実際のワークスペース ID に置き換えてください。リージョンによって構成は異なります。
dashscope.base_websocket_api_url='wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference'

# モデル
model = "cosyvoice-v3-flash"
# 音声
voice = "longanyang"

# SpeechSynthesizer をインスタンス化し、コンストラクターで model や voice などのリクエストパラメーターを渡します
synthesizer = SpeechSynthesizer(model=model, voice=voice)
# テキストを送信して合成し、バイナリオーディオを取得します
audio = synthesizer.call("How is the weather today?")
# 初回のテキスト送信では WebSocket 接続を確立する必要があるため、初期パケット遅延には接続設定時間が含まれます
print('[Metric] requestId： {}, 初期パケット遅延： {} ms'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

# オーディオをローカルファイルに保存します
with open('output.mp3', 'wb') as f:
    f.write(audio)

# coding=utf-8

import os
import json
import dashscope
from dashscope.audio.tts_v2 import *

from datetime import datetime

def get_timestamp():
    now = datetime.now()
    formatted_timestamp = now.strftime("[%Y-%m-%d %H:%M:%S.%f]")
    return formatted_timestamp

# シンガポールおよび中国 (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： https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください： dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# 以下の構成はシンガポールリージョン用です。{WorkspaceId} を実際のワークスペース ID に置き換えてください。リージョンによって構成は異なります。
dashscope.base_websocket_api_url='wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference'

# モデル
model = "cosyvoice-v3-flash"
# 音声
voice = "longanyang"

# コールバックインターフェイスを定義
class Callback(ResultCallback):
    _player = None
    _stream = None

    def on_open(self):
        self.file = open("output.mp3", "wb")
        print("接続確立： " + get_timestamp())

    def on_complete(self):
        print("音声合成完了、すべての結果を受信： " + get_timestamp())
        # タスク完了後（on_complete コールバックがトリガーされた後）、get_first_package_delay を呼び出して遅延を取得できます
        # 初回のテキスト送信では WebSocket 接続を確立する必要があるため、初期パケット遅延には接続設定時間が含まれます
        print('[Metric] requestId： {}, 初期パケット遅延： {} ms'.format(
            synthesizer.get_last_request_id(),
            synthesizer.get_first_package_delay()))

    def on_error(self, message: str):
        print(f"音声合成エラー： {message}")

    def on_close(self):
        print("接続終了： " + get_timestamp())
        self.file.close()

    def on_event(self, message):
        # サーバー側のイベントを解析し、出力情報を取得
        data = json.loads(message)
        output = data.get('payload', {}).get('output', {})
        event_type = output.get('type', '')
        original_text = output.get('original_text', '')
        if event_type:
            print(f"イベントタイプ： {event_type}、元のテキスト： {original_text}")

    def on_data(self, data: bytes) -> None:
        print(get_timestamp() + " バイナリオーディオ長： " + str(len(data)))
        self.file.write(data)

callback = Callback()

# SpeechSynthesizer をインスタンス化し、コンストラクターで model や voice などのリクエストパラメーターを渡します
synthesizer = SpeechSynthesizer(
    model=model,
    voice=voice,
    callback=callback,
)

# テキストを送信して合成し、on_data コールバックメソッドを通じてリアルタイムでバイナリオーディオを取得します
synthesizer.call("How is the weather today?")

# coding=utf-8
#
# pyaudio のインストール手順：
# macOS の場合、以下のコマンドを実行します：
#   brew install portaudio
#   pip install pyaudio
# Debian/Ubuntu の場合、以下のコマンドを実行します：
#   sudo apt-get install python-pyaudio python3-pyaudio
#   または
#   pip install pyaudio
# CentOS の場合、以下のコマンドを実行します：
#   sudo yum install -y portaudio portaudio-devel && pip install pyaudio
# Microsoft Windows の場合、以下のコマンドを実行します：
#   python -m pip install pyaudio

import os
import time
import pyaudio
import json
import dashscope
from dashscope.api_entities.dashscope_response import SpeechSynthesisResponse
from dashscope.audio.tts_v2 import *

from datetime import datetime

def get_timestamp():
    now = datetime.now()
    formatted_timestamp = now.strftime("[%Y-%m-%d %H:%M:%S.%f]")
    return formatted_timestamp

# シンガポールおよび中国 (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： https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください： dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# 以下の構成はシンガポールリージョン用です。{WorkspaceId} を実際のワークスペース ID に置き換えてください。リージョンによって構成は異なります。
dashscope.base_websocket_api_url='wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference'

# モデル
model = "cosyvoice-v3-flash"
# 音声
voice = "longanyang"

# コールバックインターフェイスを定義
class Callback(ResultCallback):
    _player = None
    _stream = None

    def on_open(self):
        print("接続確立： " + get_timestamp())
        self._player = pyaudio.PyAudio()
        self._stream = self._player.open(
            format=pyaudio.paInt16, channels=1, rate=22050, output=True
        )

    def on_complete(self):
        print("音声合成完了、すべての結果を受信： " + get_timestamp())

    def on_error(self, message: str):
        print(f"音声合成エラー： {message}")

    def on_close(self):
        print("接続終了： " + get_timestamp())
        # プレーヤーを停止
        self._stream.stop_stream()
        self._stream.close()
        self._player.terminate()

    def on_event(self, message):
        # サーバー側のイベントを解析し、出力情報を取得
        data = json.loads(message)
        output = data.get('payload', {}).get('output', {})
        event_type = output.get('type', '')
        original_text = output.get('original_text', '')
        if event_type:
            print(f"イベントタイプ： {event_type}、元のテキスト： {original_text}")

    def on_data(self, data: bytes) -> None:
        print(get_timestamp() + " バイナリオーディオ長： " + str(len(data)))
        self._stream.write(data)

callback = Callback()

test_text = [
    "Streaming text-to-speech SDK,",
    "converts input text",
    "into binary audio data.",
    "Compared with non-streaming speech synthesis,",
    "streaming synthesis offers better real-time performance.",
    "Users hear near-synchronous audio output while typing,",
    "greatly improving interaction experience",
    "and reducing wait time.",
    "Ideal for large language model (LLM) integration,",
    "where text is streamed for speech synthesis.",
]

# SpeechSynthesizer をインスタンス化し、コンストラクターで model や voice などのリクエストパラメーターを渡します
synthesizer = SpeechSynthesizer(
    model=model,
    voice=voice,
    format=AudioFormat.PCM_22050HZ_MONO_16BIT,
    callback=callback,
)

# ストリーミング合成用にテキストを送信します。on_data コールバックメソッドを通じてリアルタイムでバイナリオーディオを取得します
for text in test_text:
    synthesizer.streaming_call(text)
    time.sleep(0.1)
# ストリーミング音声合成を終了
synthesizer.streaming_complete()

# 初回のテキスト送信では WebSocket 接続を確立する必要があるため、初期パケット遅延には接続設定時間が含まれます
print('[Metric] requestId： {}, 初期パケット遅延： {} ms'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))