Syntezator mowy

Upowszechniło się generowanie komentarzy do filmików na YT za pomocą syntezatorów mowy. Nie ma co się jednak dziwić, jeśli sprowadza się to do założenia konta, dostosowania skryptu, wybrania głosu i wpisania tekstu do przeczytania. Poniżej rozwiązanie oparte na

W macOS trzeba zainstalować pythona, np tak:

brew install python

Potem instalacja PIPa

curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py

python3 get-pip.py

Założenie konta na https://elevenlabs.io/speech-synthesis i wyciągnięcie swojego klucza API Key

I wstawienie do skryptu pythonowego speak.py w miejsce xi-api-key

import requests

CHUNK_SIZE = 1024
url = "https://api.elevenlabs.io/v1/text-to-speech/21m00Tcm4TlvDq8ikWAM"

headers = {
  "Accept": "audio/mpeg",
  "Content-Type": "application/json",
  "xi-api-key": "xxxxxxxxxxxxxxxxxxxxxx"
}

data = {
  "text": "O Jejku, nie wiem. Byle jakiś, bo teraz nie wymyślę niczego! ",
  "model_id": "eleven_multilingual_v2",
  "voice_settings": {
    "stability": 0.5,
    "similarity_boost": 0.5
  }
}

response = requests.post(url, json=data, headers=headers)
with open('output.mp3', 'wb') as f:
    for chunk in response.iter_content(chunk_size=CHUNK_SIZE):
        if chunk:
            f.write(chunk)

Wywołanie tego poprzez python3 speak.py generuje lokalnie output.mp3. Użycie modelu eleven_multilingual_v2 zwalnia z jawnego deklarowania języka - sam rozpozn, że chodzi o język polski.