Google Cloud Console TTS. Prevod textu na reč cez API na Linuxe

Nadväzujem na predchádzajúci článok o službách Google Cloud Console (odkaz tu).

Prečo sa zaoberať API keď existuje aj grafické rozhranie Vertex AI? Nevýhoda Vertex AI (odkaz tu) je to, že podporuje maximálne len 500 znakov čo je asi tak na štyri vety. Praktické využitie takmer žiadne.

Riešenie je API. Je navyše cenovo výhodné. 4 milióny znakov mesačne je zadarmo.

Je zaujímavé, že ja ako človek s minimálnymi programátorskými skúsenosťami / schopnosťami som zvládol API TTS relatívne ľahko. Veľkou pomocou mi bola zabudovaná AI, ktorá dobre pracuje aj v slovenčine.

Jedná sa o prácu v termináli. Ak sa vyskytnú akékoľvek chybové hlášky, treba ich poslať AI a tá sa opraví a pomôže s tým čo treba zmeniť. Umenie úspechu tiež spočíva v správne položených otázkach.

• Odkaz na AI asistenta https://console.cloud.google.com/gemini
   
• Podmienka je si nainštalovať program bez grafického rozhrania s názvom gcloud CLI. Návod na inštaláciu Odkaz tu. Umožňujú dokonca aj snap verziu (odkaz tu) ideálne pre distribúcie založené na Ubuntu
• Ďalej do terminálu na Linuxe treba zadať nasledovné príkazy:

• gcloud init

• gcloud auth login

• gcloud config set project [VÁŠ_PROJECT_ID]

   

• pri prvej konfigurácii a prvom prihlásení v termináli sa vám otvorí prehliadač v ktorom vás to vyzve aby ste odsúhlasili že súhlasíte s prepojením vášho úctu Google Cloud Console s terminálom
• Project ID nájdete na adrese https://console.cloud.google.com/welcome
• API funguje na báze .json súborov. Do .json súboru vložíte zadanie pre Google Cloud a odošlete pomocou terminálu. Súbor vytvoríte jednoducho tak, že kód vložíte do textového editora a následne dáte názov súboru nazov.json. Súbor môžete uložiť napríklad na adresu /home/uzivatel/
• potom ako cez terminál odošlete .json súbor, terminál vygeneruje iný .json, sa uloží do počítača (nie na Cloud Servery). Otvorte si ho v textovom editore, aby ste videli či prebehlo všetko v poriadku alebo sú tam nejaké chybové hlášky
• Google Cloud Console ukladá dáta do sekcie zvanej Bucket. (sekciu Bucket môžete nájsť aj pomocou vyhľadávača v hornej časti rozhrania). Ukladajú sa tam vstupné a výstupné súbory. Môžete tam napríklad vložiť audio súbor pre účel prevodu reči na text, alebo naopak tam uloží audio súbor s prevodu textu na reč TTS
• AI tiež nie je dokonalá ako prvý návod mi uviedla taký ktorý bol zbytočne zložitý a podporoval dĺžku len pár viet. Potom ako som upozornil na chybové hlášky poskytla mi lepšie návody a príkazy, ktoré boli jednoduchšie a podporovali aj dlhšie texty

Obsah .json súboru. FLAC audio formát nepodporuje, tak som tam dal WAV formát. „LINEAR16“ je podkategória WAV. Názov súboru request.json

{ 
"parent": "projects/nazov_project_ID/locations/global", 
"audioConfig": { 
"audioEncoding": "LINEAR16", 
"sampleRateHertz": 24000 
}, 
"input": { 
"text": "Tu vložte váš dlhý text, ktorý môže mať až do 1MB znakov. Toto API je určené pre dlhé texty, ktoré prekračujú 5000 bajtov. Výstupný súbor bude uložený priamo do Google Cloud Storage bucketu, ktorý ste si vytvorili." 
}, 
"voice": { 
"languageCode": "sk-SK", 
"name": "sk-SK-Chirp3-HD-Alnilam", 
"ssmlGender": "MALE" 
}, 
"output_gcs_uri": "gs://nazov_bucketu/dlhy_text_chirp3-male.wav" 
}

Do terminálu zadaný vstupný a výstupný .json súbor. Do terminálu zadajte nasledovné

curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-H "x-goog-user-project: nazov_project_ID" \
-d @request.json \
"https://texttospeech.googleapis.com/v1beta1/projects/nazov_project_ID/locations/global:synthesizeLongAudio" \
-o long_audio_response.json

Vyžiadanie zoznamu hlasov cez terminál

curl -H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-H "x-goog-user-project: nazov_project_ID" \
"https://texttospeech.googleapis.com/v1/voices" \
-o voices.json

TTS cez Shell vo webovom prehliadači

Shell nájdete pravo hore.

Nie je to ale z ďaleka tak jednoduché ako to robiť cez terminál v Linux PC cez gcloud CLI. Preto tento potup menej odporúčam.

Nevýhody metódy Shell vo webovom prehliadači v porovnaní gcloud CLI v Linux PC:

• Cloud Shell nemá priame spojenie s bucketom ale pracuje v osobitnom prostredí, kde sa súbory správajúa ko dočasné. Je nevyhnutné osobitnými príkazmi premiestňovať súbory medzi Bucketom a Cloud Shell
• výstupné json súbory, ktoré môžu zahŕňať chybové hlásenia sa otvárajú komplikovanejšie osobitnými príkazmi

Návod

Doplnenie potrebných povolení, postup:

https://console.developers.google.com/iam-admin/iam/project

• Kliknúť na Ceruzka
• Add another role
• Service Usage Consumer

Vložte svoj text: Skopírujte a vložte do tohto súboru váš text

nano long_text.txt

Uložte súbor ( Ctrl+X , Y , Enter ).

Vytvorte súbor long_audio_template.json :

nano long_audio_template.json

Vložiť doň tento obsah

{ 
"parent": "projects/Vas_Project_ID_nazov/locations/global", 
"audioConfig": { 
"audioEncoding": "LINEAR16", 
"sampleRateHertz": 24000 
}, 
"input": { 
"text": null 
}, 
"voice": { 
"languageCode": "sk-SK", 
"name": "sk-SK-Chirp3-HD-Alnilam", 
"ssmlGender": "MALE" 
}, 
"output_gcs_uri": "gs://Vas_Nazov_Bucketu/TTS_audio.wav" 
}

Uložte súbor json súbor ( Ctrl+X , Y , Enter ).

**************

Vložte do terminála

TEXT_CONTENT=$(cat long_text.txt)

Vložte do terminála

jq --arg text "$TEXT_CONTENT" '.input.text = $text' long_audio_template.json > final_request.json

Vložte do terminála

curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-H "x-goog-user-project: Vas_Project_ID_nazov" \
-d @final_request.json \
"https://texttospeech.googleapis.com/v1beta1/projects/Vas_Project_ID_nazov/locations/global:synthesizeLongAudio" \
-o long_audio_operation.json

Teraz máte TTS WAV súbor v buckete

****************************************************************

Doplňujúce funkcie

Zobrazenie JSON súboru

cat long_audio_operation.json

Dokonca je možné v Cloud Shell konvertovať audio súbory, napríklad z WAV na FLAC:

sudo apt install ffmpeg

WAV je v Buckete, musíte ho najprv skopírovať do Cloud Shellu pomocou príkazu gsutil cp.

Skopírujte WAV súbor z Bucketu do Cloud Shellu:

gsutil cp gs://vas-bucket-nazov/TTS_audio.wav .

Skontrolujte, či je súbor v Cloud Shelli:

ls -l TTS_audio.wav

Spustite konverziu FFmpeg:

ffmpeg -i TTS_audio.wav TTS_audio.flac

Výsledný FLAC súbor nahrajte späť do Bucketu, použite príkaz gsutil cp znova:

gsutil cp TTS_audio.flac gs://vas-bucket-nazov/
 

Prílohy

Snímka_obrazovky_20251119_212017.png (156.8 kB)

Titulná_stránka_kde_nájdete_Project_ID.png (90.3 kB)

v_prehliadači_potrebný_súhlas_po_inociovaní_spojenia_cez_terminál.png (186.9 kB)

shell_v_prehliadači__sa_otvára_v_pravom_hornom_rohu.png (189.3 kB)

AI_a_jej_dobre_zvádnuté_rady.png (239.1 kB)

AI_režim_fulll_screen.png (166.2 kB)

Ako_nájsť_Gemeni_AI_.png (48.8 kB)

cez_terminál_vygenerovaný_zoznam_hlasov.png (169.4 kB)

Vertex_AI__grafické_rozhranie.png (158.2 kB)

vstupný_json_súbor.png (93.8 kB)

výstupný_json_súbor_že_všetko_je_OK_bez_chybových_hlásení.png (40.6 kB)

vystupný_json_súbor_že_všetko_je_ok.png (52.5 kB)

Dobré_rady_od_AI_čo_dať_do_json_súboru.png (154.8 kB)

pridať_potrebné_povolenia_pri_TTS_práci_cez_SHELL_v_prehliadači.png (139.0 kB)