Alibaba Cloud Model Studio:CosyVoice 音声合成 Python SDK

# coding=utf-8

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

# API キーはシンガポールリージョンと北京リージョンで異なります。API キーの取得方法：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 環境変数を設定していない場合は、次の行を Model Studio の 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')

# この URL はシンガポールリージョン向けです。北京リージョン向けには、wss://dashscope.aliyuncs.com/api-ws/v1/inference に置き換えてください。
dashscope.base_websocket_api_url='wss://dashscope-intl.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、コンストラクター内で model および 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)
# テキストを合成に送信し、バイナリ音声を取得します。
audio = synthesizer.call("今日の天気はどうですか？")
# 最初のリクエストでは WebSocket 接続が確立されるため、最初のパッケージ遅延には接続確立時間が含まれます。
print('[Metric] requestId: {}, first-package delay: {} ms'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

# 音声をローカルファイルに保存
with open('output.mp3', 'wb') as f:
    f.write(audio)

# coding=utf-8

import os
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

# API キーはシンガポールリージョンと北京リージョンで異なります。API キーの取得方法：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 環境変数を設定していない場合は、次の行を Model Studio の 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')

# この URL はシンガポールリージョン向けです。北京リージョン向けには、wss://dashscope.aliyuncs.com/api-ws/v1/inference に置き換えてください。
dashscope.base_websocket_api_url='wss://dashscope-intl.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("Connection established: " + get_timestamp())

    def on_complete(self):
        print("Speech synthesis completed. All results received: " + get_timestamp())
        # on_complete がトリガーされた後に get_first_package_delay を呼び出します。
        # 最初のリクエストでは WebSocket 接続が確立されるため、最初のパッケージ遅延には接続確立時間が含まれます。
        print('[Metric] requestId: {}, first-package delay: {} ms'.format(
            synthesizer.get_last_request_id(),
            synthesizer.get_first_package_delay()))

    def on_error(self, message: str):
        print(f"Speech synthesis error: {message}")

    def on_close(self):
        print("Connection closed: " + get_timestamp())
        self.file.close()

    def on_event(self, message):
        pass

    def on_data(self, data: bytes) -> None:
        print(get_timestamp() + " Binary audio length: " + str(len(data)))
        self.file.write(data)


callback = Callback()

# SpeechSynthesizer をインスタンス化し、コンストラクター内で model および 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,
)

# コールバックインターフェイスの on_data メソッド経由でリアルタイムにバイナリ音声を取得するためにテキストを合成に送信します。
synthesizer.call("今日の天気はどうですか？")

# coding=utf-8
#
# PyAudio のインストール：
# macOS の場合：
#   brew install portaudio
#   pip install pyaudio
# Debian/Ubuntu の場合：
#   sudo apt-get install python-pyaudio python3-pyaudio
#   または
#   pip install pyaudio
# CentOS の場合：
#   sudo yum install -y portaudio portaudio-devel && pip install pyaudio
# Microsoft Windows の場合：
#   python -m pip install pyaudio

import os
import time
import pyaudio
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

# API キーはシンガポールリージョンと北京リージョンで異なります。API キーの取得方法：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 環境変数を設定していない場合は、次の行を Model Studio の 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')

# この URL はシンガポールリージョン向けです。北京リージョン向けには、wss://dashscope.aliyuncs.com/api-ws/v1/inference に置き換えてください。
dashscope.base_websocket_api_url='wss://dashscope-intl.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("Connection established: " + 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("Speech synthesis completed. All results received: " + get_timestamp())

    def on_error(self, message: str):
        print(f"Speech synthesis error: {message}")

    def on_close(self):
        print("Connection closed: " + 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):
        pass

    def on_data(self, data: bytes) -> None:
        print(get_timestamp() + " Binary audio length: " + str(len(data)))
        self._stream.write(data)


callback = Callback()

test_text = [
    "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します。",
    "非ストリーミング TTS と比較して、",
    "ストリーミング TTS はリアルタイム性が優れています。",
    "ユーザーはテキストを入力する際にほぼ同期した音声出力を聞き取ることができ、",
    "インタラクションの向上と待機時間の短縮を大幅に実現します。",
    "大規模言語モデル（LLM）のシナリオに最適で、",
    "テキストが音声合成のためにストリーミングされます。",
]

# SpeechSynthesizer をインスタンス化し、コンストラクター内で model および 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,
)


# テキストをストリーミングして合成。コールバックインターフェイスの on_data メソッド経由でリアルタイムにバイナリ音声を取得します。
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()

# 最初のリクエストでは WebSocket 接続が確立されるため、最初のパッケージ遅延には接続確立時間が含まれます。
print('[Metric] requestId: {}, first-package delay: {} ms'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

class Callback(ResultCallback):
    def on_open(self) -> None:
        print('Connected')
    
    def on_data(self, data: bytes) -> None:
        # バイナリ音声データを処理

    def on_complete(self) -> None:
        print('Completed')

    def on_error(self, message) -> None:
        print('Error:', message)

    def on_close(self) -> None:
        print('Connection closed')


callback = Callback()