.NET を使って Azure AI サービスの Speech Services でテキストを音声に変換してみた

自分の声を録音して、自分の音声モデルを作成すれば、オンラインで何かしらの発表時に言い間違えたり言い忘れたりする事もなく済みそうです。

その前に、テキストを音声に変換する最小限のやり方を理解しておきたく、実際に試してみました。

検証用 Speech Services を作成

prefix=mnrssf
region=japaneast

az group create 
  --name ${prefix}-rg 
  --location $region

az cognitiveservices account create 
  --kind SpeechServices 
  --location $region 
  --name $prefix 
  --resource-group ${prefix}-rg 
  --sku F0 
  --yes

環境変数に Speech Services 用のキーとリージョンをセット

export SPEECH_KEY=$(az cognitiveservices account keys list 
  --name $prefix 
  --resource-group ${prefix}-rg 
  --query key1 
  --output tsv)

export SPEECH_REGION=$region

検証用 .NET コンソールアプリを作成

dotnet new console -o $prefix

cd $prefix

dotnet add package Microsoft.CognitiveServices.Speech

code Program.cs

using Microsoft.CognitiveServices.Speech;
using Microsoft.CognitiveServices.Speech.Audio;

string subscriptionKey = Environment.GetEnvironmentVariable("SPEECH_KEY");
string subscriptionRegion = Environment.GetEnvironmentVariable("SPEECH_REGION");

var config = SpeechConfig.FromSubscription(subscriptionKey, subscriptionRegion);
config.SpeechSynthesisVoiceName = "ja-JP-NanamiNeural";
var synthesizer = new SpeechSynthesizer(config);

string text = "テキストから音声を生成しています。";
await synthesizer.SpeakTextAsync(text);

コンソールアプリを実行して音声を確認

dotnet run

「テキストから音声を生成しています」という音声がスピーカーから聞こえます。

後片付け

az group delete 
  --name ${prefix}-rg 
  --yes

参考

クイックスタート: テキストを音声に変換する

az cognitiveservices account create

タグ: .NET, Azure