OpenAIの音声合成APIでウェブアプリを構築する方法

以前、OpenAIがText-to-speechのAPIを出したときに記事にしたのですが、改めてどのようなAPIか見てみたく音声合成APIを使い、Streamlitでウェブアプリを構築してみました。

用意するファイルとしては、requirements.txt、app.pyです。

requirements.txtは以下です。

openai
streamlit

app.pyは以下です。your-api-keyにはOpenAIのAPIキーを記載してください。

import streamlit as st
from openai import OpenAI

# Streamlitのユーザインターフェースを設定
st.title("OpenAIの音声合成デモ")
user_input = st.text_area("テキストを入力してください", "", height=200)

# 利用可能な声のリスト
voices = ["alloy", "echo", "fable", "onyx", "nova", "shimmer"]

# ユーザーが声を選択
selected_voice = st.radio("声を選択してください", voices)

# ユーザがテキストを入力し、Enterを押したら処理を開始
if st.button('音声合成'):
    if user_input:
        try:
            # OpenAIクライアントの初期化
            client = OpenAI(api_key='your-api-key')

            # 音声合成リクエストの送信
            response = client.audio.speech.create(
                model="tts-1",
                voice=selected_voice,
                input=user_input,
            )

            # 結果をファイルに保存
            output_file = "output.mp3"
            response.stream_to_file(output_file)

            # ユーザに音声ファイルをダウンロードするオプションを提供
            st.audio(output_file)
        except Exception as e:
            st.error(f"エラーが発生しました: {e}")
    else:
        st.warning("テキストを入力してください。")

次にPython環境で以下を実行します。

pip install -r requirements.txt
streamlit run app.py

すると、次の初期画面が表示されます。

初期画面

テキストを入力してくださいのところに、音声にしたい文章を入力します。

また、音声の選択のところでは、6種類の声（alloy, echo, fable, onyx, nova, shimmer)が用意されています。novaとshimmerが女性で、それ以外は男性です。

何かテキストを入力したら、音声合成ボタンを押下してみましょう。

次の画面は、音声をshimmerにして音声合成してもらっています。

shimmerで音声合成した画面

画面の下の方に、音声コントロールの矢印が出てきますので、クリックしますと、音声合成された音声が流れます。また、右側の方のボタンを押すと、音声合成した音声のダウンロードが出来たり、スピードを変えたりすることができます。

所感としては、日本人ぽい名前の人はいませんが、日本語を読んでもらうことはできます。但し、外国人が日本語を読んでいるような感じはします。また、APIの利用料として、費用がどのくらいかかるかが気になるところです。