Rozhraní API pro dlouhé zvuky

Rozhraní LONG Audio API poskytuje asynchronní syntézu dlouhého formátu textu na řeč (například zvukové knihy, zpravodajské články a dokumenty). Toto rozhraní API nevrací syntetizovaný zvuk v reálném čase. Místo toho se dotazujete na odpovědi a spotřebováváte výstupy, jakmile je služba z dostupných. Na rozdíl od rozhraní API pro převod textu na řeč používaného sadou Speech SDK může rozhraní API pro dlouhý zvuk vytvořit syntetizovaný zvuk delší než 10 minut. Díky tomu je ideální pro vydavatele a platformy zvukového obsahu, aby v dávce vytvářely dlouhý zvukový obsah, jako jsou zvukové knihy.

Další výhody rozhraní Long Audio API:

• Syntetizovaná řeč vrácená službou používá nejlepší neurální hlasy.
• Není potřeba nasazovat hlasový koncový bod.

Pracovní postup

Při použití rozhraní Long Audio API obvykle odešlete textový soubor nebo soubory, které se mají syntetizovat, dotazovat se na stav a stáhnout zvukový výstup, když stav značí úspěch.

Tento diagram poskytuje základní přehled pracovního postupu.

Příprava obsahu pro syntézu

Při přípravě textového souboru se ujistěte, že:

• Je prostý text (.txt) nebo text SSML (.txt).
• Je kódováno jako UTF-8 s byte Order Mark (BOM).
• Je to jeden soubor, ne zip.
• Obsahuje více než 400 znaků pro prostý text nebo 400 fakturovatelných znaků pro text SSML a méně než 10 000 odstavců.
  • U prostého textu je každý odstavec oddělený stisknutím klávesy Enter/Return. Podívejte se na příklad zadání prostého textu.
  • Pro text SSML se každá část SSML považuje za odstavec. Jednotlivé části SSML oddělte různými odstavci. Viz příklad textového zadání SSML.

Ukázka kódu

Zbytek této stránky se zaměřuje na Python, ale ukázkový kód pro rozhraní LONG Audio API je k dispozici GitHub pro následující programovací jazyky:

• Ukázkový kód: Python
• Ukázkový kód: C #
• Ukázkový kód: Java

Příklad Pythonu

Tato část obsahuje příklady Pythonu, které ukazují základní využití rozhraní Long Audio API. Vytvořte nový projekt v jazyce Python v oblíbeném integrovaném vývojovém prostředí nebo editoru. Pak tento fragment kódu zkopírujte do souboru s názvem long_audio_synthesis_client.py .

import json
import ntpath
import requests

Tyto knihovny se používají k vytvoření požadavku HTTP a volání dlouhé syntézy zvuku pro převod textu na REST API.

Získání seznamu podporovaných hlasů

Pokud chcete získat seznam podporovaných hlasů, odešlete požadavek GET na https://<endpoint>/api/texttospeech/v3.0/longaudiosynthesis/voices .

Tento kód získá úplný seznam hlasů, které můžete použít v konkrétní oblasti nebo koncovém bodu.

def get_voices():
    region = '<region>'
    key = '<your_key>'
    url = 'https://{}.customvoice.api.speech.microsoft.com/api/texttospeech/v3.0/longaudiosynthesis/voices'.format(region)
    header = {
        'Ocp-Apim-Subscription-Key': key
    }

    response = requests.get(url, headers=header)
    print(response.text)

get_voices()

Nahraďte následující hodnoty:

• Nahraďte <your_key> klíčem předplatného služby Speech. Tyto informace jsou k dispozici na kartě Přehled pro váš prostředek v Azure Portal.
• Nahraďte <region> oblastí, ve které jste vytvořili prostředek služby Speech (například nebo eastus westus ). Tyto informace jsou k dispozici na kartě Přehled pro váš prostředek v Azure Portal.

Zobrazí se výstup, který vypadá jako tento:

{
  "values": [
    {
      "locale": "en-US",
      "voiceName": "en-US-AriaNeural",
      "description": "",
      "gender": "Female",
      "createdDateTime": "2020-05-21T05:57:39.123Z",
      "properties": {
        "publicAvailable": true
      }
    },
    {
      "id": "8fafd8cd-5f95-4a27-a0ce-59260f873141"
      "locale": "en-US",
      "voiceName": "my custom neural voice",
      "description": "",
      "gender": "Male",
      "createdDateTime": "2020-05-21T05:25:40.243Z",
      "properties": {
        "publicAvailable": false
      }
    }
  ]
}

Pokud má properties.publicAvailable hodnotu true, hlas je veřejný neurální hlas. Jinak se jedná o vlastní neurální hlas.

Převod textu na řeč

Připravte vstupní textový soubor v prostém textu nebo v textu SSML a pak do souboru přidejte následující long_audio_synthesis_client.py kód:

def submit_synthesis():
    region = '<region>'
    key = '<your_key>'
    input_file_path = '<input_file_path>'
    locale = '<locale>'
    url = 'https://{}.customvoice.api.speech.microsoft.com/api/texttospeech/v3.0/longaudiosynthesis'.format(region)
    header = {
        'Ocp-Apim-Subscription-Key': key
    }

    voice_identities = [
        {
            'voicename': '<voice_name>'
        }
    ]

    payload = {
        'displayname': 'long audio synthesis sample',
        'description': 'sample description',
        'locale': locale,
        'voices': json.dumps(voice_identities),
        'outputformat': 'riff-16khz-16bit-mono-pcm',
        'concatenateresult': True,
    }

    filename = ntpath.basename(input_file_path)
    files = {
        'script': (filename, open(input_file_path, 'rb'), 'text/plain')
    }

    response = requests.post(url, payload, headers=header, files=files)
    print('response.status_code: %d' % response.status_code)
    print(response.headers['Location'])

submit_synthesis()

Nahraďte následující hodnoty:

• Nahraďte <your_key> klíčem předplatného služby Speech. Tyto informace jsou k dispozici na kartě Přehled pro váš prostředek v Azure Portal.
• Nahraďte <region> oblastí, ve které jste vytvořili prostředek služby Speech (například nebo eastus westus ). Tyto informace jsou k dispozici na kartě Přehled pro váš prostředek v Azure Portal.
• Nahraďte <input_file_path> cestou k textovému souboru, který jste připravili pro převod textu na řeč.
• Nahraďte <locale> požadovaným výstupním národního prostředím. Další informace najdete v tématu podpora jazyků.

Použijte jeden z hlasů vrácených předchozím voláním do koncového /voices bodu.

• Pokud používáte veřejný neurální hlas, nahraďte <voice_name> požadovaným hlasem výstupu.
• Pokud chcete použít vlastní neurální hlas, nahraďte proměnnou následujícím kódem a voice_identities <voice_id> nahraďte vlastním id neurálním hlasem.

voice_identities = [
    {
        'id': '<voice_id>'
    }
]

Zobrazí se výstup, který vypadá jako tento:

response.status_code: 202
https://<endpoint>/api/texttospeech/v3.0/longaudiosynthesis/<guid>

Adresu URL ve výstupu můžete použít k získání stavu požadavku.

Získání podrobností o odeslané žádosti

Pokud chcete získat stav odeslaného požadavku na syntézu, odešlete požadavek GET na adresu URL vrácenou v předchozím kroku.

def get_synthesis():
    url = '<url>'
    key = '<your_key>'
    header = {
        'Ocp-Apim-Subscription-Key': key
    }
    response = requests.get(url, headers=header)
    print(response.text)

get_synthesis()

Výstup bude vypadat takhle:

response.status_code: 200
{
  "models": [
    {
      "voiceName": "en-US-AriaNeural"
    }
  ],
  "properties": {
    "outputFormat": "riff-16khz-16bit-mono-pcm",
    "concatenateResult": false,
    "totalDuration": "PT5M57.252S",
    "billableCharacterCount": 3048
  },
  "id": "eb3d7a81-ee3e-4e9a-b725-713383e71677",
  "lastActionDateTime": "2021-01-14T11:12:27.240Z",
  "status": "Succeeded",
  "createdDateTime": "2021-01-14T11:11:02.557Z",
  "locale": "en-US",
  "displayName": "long audio synthesis sample",
  "description": "sample description"
}

Vlastnost status se změní ze stavu na a nakonec na nebo NotStarted Running Succeeded Failed . Toto rozhraní API můžete dotazovat ve smyčce, dokud stav nebude Succeeded nebo Failed .

Stažení zvukového výsledku

Jakmile je požadavek na syntézu úspěšný, můžete si stáhnout zvukový výsledek voláním rozhraní GET /files API.

def get_files():
    id = '<request_id>'
    region = '<region>'
    key = '<your_key>'
    url = 'https://{}.customvoice.api.speech.microsoft.com/api/texttospeech/v3.0/longaudiosynthesis/{}/files'.format(region, id)
    header = {
        'Ocp-Apim-Subscription-Key': key
    }

    response = requests.get(url, headers=header)
    print('response.status_code: %d' % response.status_code)
    print(response.text)

get_files()

Nahraďte <request_id> ID požadavku, který chcete stáhnout. Najdete ji v odpovědi předchozího kroku.

Výstup bude vypadat takhle:

response.status_code: 200
{
  "values": [
    {
      "name": "2779f2aa-4e21-4d13-8afb-6b3104d6661a.txt",
      "kind": "LongAudioSynthesisScript",
      "properties": {
        "size": 4200
      },
      "createdDateTime": "2021-01-14T11:11:02.410Z",
      "links": {
        "contentUrl": "https://customvoice-usw.blob.core.windows.net/artifacts/input.txt?st=2018-02-09T18%3A07%3A00Z&se=2018-02-10T18%3A07%3A00Z&sp=rl&sv=2017-04-17&sr=b&sig=e05d8d56-9675-448b-820c-4318ae64c8d5"
      }
    },
    {
      "name": "voicesynthesis_waves.zip",
      "kind": "LongAudioSynthesisResult",
      "properties": {
        "size": 9290000
      },
      "createdDateTime": "2021-01-14T11:12:27.226Z",
      "links": {
        "contentUrl": "https://customvoice-usw.blob.core.windows.net/artifacts/voicesynthesis_waves.zip?st=2018-02-09T18%3A07%3A00Z&se=2018-02-10T18%3A07%3A00Z&sp=rl&sv=2017-04-17&sr=b&sig=e05d8d56-9675-448b-820c-4318ae64c8d5"
      }
    }
  ]
}

Tento příklad výstupu obsahuje informace pro dva soubory. Ten s "kind": "LongAudioSynthesisScript" parametrem je odeslaná vstupní skript. Druhý s "kind": "LongAudioSynthesisResult" je výsledkem tohoto požadavku.

Výsledkem je soubor zip, který obsahuje vygenerované zvukové výstupní soubory spolu s kopií vstupního textu.

Oba soubory je možné stáhnout z adresy URL ve své links.contentUrl vlastnosti.

Získání všech žádostí o syntézu

Následující kód vypíše všechny odeslané žádosti:

def get_synthesis():
    region = '<region>'
    key = '<your_key>'
    url = 'https://{}.customvoice.api.speech.microsoft.com/api/texttospeech/v3.0/longaudiosynthesis/'.format(region)    
    header = {
        'Ocp-Apim-Subscription-Key': key
    }

    response = requests.get(url, headers=header)
    print('response.status_code: %d' % response.status_code)
    print(response.text)

get_synthesis()

Výstup bude vypadat třeba takhle:

response.status_code: 200
{
  "values": [
    {
      "models": [
        {
          "id": "8fafd8cd-5f95-4a27-a0ce-59260f873141",
          "voiceName": "my custom neural voice"
        }
      ],
      "properties": {
        "outputFormat": "riff-16khz-16bit-mono-pcm",
        "concatenateResult": false,
        "totalDuration": "PT1S",
        "billableCharacterCount": 5
      },
      "id": "f9f0bb74-dfa5-423d-95e7-58a5e1479315",
      "lastActionDateTime": "2021-01-05T07:25:42.433Z",
      "status": "Succeeded",
      "createdDateTime": "2021-01-05T07:25:13.600Z",
      "locale": "en-US",
      "displayName": "Long Audio Synthesis",
      "description": "Long audio synthesis sample"
    },
    {
      "models": [
        {
          "voiceName": "en-US-AriaNeural"
        }
      ],
      "properties": {
        "outputFormat": "riff-16khz-16bit-mono-pcm",
        "concatenateResult": false,
        "totalDuration": "PT5M57.252S",
        "billableCharacterCount": 3048
      },
      "id": "eb3d7a81-ee3e-4e9a-b725-713383e71677",
      "lastActionDateTime": "2021-01-14T11:12:27.240Z",
      "status": "Succeeded",
      "createdDateTime": "2021-01-14T11:11:02.557Z",
      "locale": "en-US",
      "displayName": "long audio synthesis sample",
      "description": "sample description"
    }
  ]
}

Vlastnost values obsahuje seznam vašich žádostí o syntézu. Seznam je stránkovaný s maximální velikostí stránky 100. Pokud existuje více než 100 požadavků, je k dispozici vlastnost pro získání další stránky "@nextLink" stránkovaného seznamu.

  "@nextLink": "https://<endpoint>/api/texttospeech/v3.0/longaudiosynthesis/?top=100&skip=100"

Velikost stránky a číslo přeskočit můžete také přizpůsobit tak, že v skip parametru top adresy URL zadáte a .

Odebrání předchozích požadavků

Služba bude pro každý účet předplatného Azure udržovat až 20 000 požadavků. Pokud vaše žádost překračuje toto omezení, odeberte předchozí požadavky, než začnete vytvářet nové. Pokud neodeberete stávající žádosti, obdržíte oznámení o chybě.

Následující kód ukazuje, jak odebrat konkrétní požadavek syntézy.

def delete_synthesis():
    id = '<request_id>'
    region = '<region>'
    key = '<your_key>'
    url = 'https://{}.customvoice.api.speech.microsoft.com/api/texttospeech/v3.0/longaudiosynthesis/{}/'.format(region, id)
    header = {
        'Ocp-Apim-Subscription-Key': key
    }

    response = requests.delete(url, headers=header)
    print('response.status_code: %d' % response.status_code)

Pokud je žádost úspěšně odebrána, bude kód stavu odpovědi HTTP 204 (žádný obsah).

response.status_code: 204

Dokončeno long_audio_synthesis_client.py je k dispozici na GitHub.

Stavové kódy HTTP

Následující tabulka podrobně popisuje kódy a zprávy odpovědi HTTP z REST API.

Oblasti a koncové body

Rozhraní API pro dlouhé zvukové rozhraní je k dispozici ve více oblastech s jedinečnými koncovými body.

Formáty zvukového výstupu

Podporujeme flexibilní formáty zvukového výstupu. Nastavením parametru můžete vygenerovat zvukové výstupy na jeden odstavec nebo zřetězit výstupy zvuku do jednoho výstupu concatenateResult . Rozhraní API pro dlouhé zvukové rozhraní podporuje následující formáty zvukového výstupu:

• RIFF-8KHz-16bitový-mono-PCM
• RIFF-16khz-16bitový-mono-PCM
• RIFF-24khz-16bitový-mono-PCM
• RIFF-48kHz-16bitový-mono-PCM
• Audio-16khz-32kbitrate-mono-MP3
• Audio-16khz-64kbitrate-mono-MP3
• Audio-16khz-128kbitrate-mono-MP3
• Audio-24khz-48kbitrate-mono-MP3
• Audio-24khz-96kbitrate-mono-MP3
• Audio-24khz-160kbitrate-mono-MP3