Androidアプリ開発入門 (4) - TextToSpeech

Androidアプリでの「TextToSpeech」による「音声合成」の実装方法をまとめました。

・API 31: Android 12 (S)

前回

1. TextToSpeech

「音声合成」を実装するには、「TextToSpeech」を使います。

TextToSpeech  |  Android Developers

2. AndroidManifest.xml

Android 11（API Level 30）を対象とするアプリの場合、音声合成を利用するには、以下の要素を追加する必要があります。

<queries>
  <intent>
    <action android:name="android.intent.action.TTS_SERVICE" />
  </intent>
</queries>

3. 音声合成

コードは、以下のように記述します。

package net.npaka.texttospeechex

import androidx.appcompat.app.AppCompatActivity
import android.os.Bundle
import android.speech.tts.TextToSpeech
import java.util.*

class MainActivity : AppCompatActivity(), TextToSpeech.OnInitListener {
    private var tts: TextToSpeech? = null

    // 起動時に呼ばれる
    override fun onCreate(savedInstanceState: Bundle?) {
        super.onCreate(savedInstanceState)
        setContentView(R.layout.activity_main)
        this.supportActionBar?.hide()

        // TextToSpeechの生成
        this.tts = TextToSpeech(this, this)
    }

    // TextToSpeechの初期化完了時に呼ばれる
    override fun onInit(status: Int) {
        if (status == TextToSpeech.SUCCESS) {
            // ロケールの指定
            val locale = Locale.JAPAN
            if (this.tts!!.isLanguageAvailable(locale) >= TextToSpeech.LANG_AVAILABLE) {
                this.tts!!.language = Locale.JAPAN
            }

            // 音声合成の実行
            this.tts!!.speak("こんにちは", TextToSpeech.QUEUE_FLUSH, null, "utteranceId")
        }
    }
}

処理の流れは、次のとおりです。

(1) TextToSpeechの生成。
(2) TextToSpeechの初期化完了時にonInit()が呼ばれる。
(3) 日本語ロケールの指定。
(4) 音声合成の実行。

4. ロケールの指定

ロケールを指定する前に、isLanguageAvailable()で可能かどうかを確認します。

・LANG_COUNTRY_VAR_AVAILABLE (2) : 言語がロケールで指定された通りに使用できる。
・LANG_COUNTRY_AVAILABLE (1) : 言語がロケールで指定された言語と国で使用できるが、バリアントで使用できない。
・LANG_AVAILABLE (0) : 言語がロケールによってその言語で使用可能であることを示すが、国およびバリアントでは使用できない。
・LANG_MISSING_DATA (-1) : 言語データが欠落している。
・LANG_NOT_SUPPORTED (-2) : 言語がサポートされていない。

5. 音声合成の実行

音声合成の実行には、speak()を使います。

int speak (CharSequence text, int queueMode, Bundle params, String utteranceId)
・text : テキスト (文字数はgetMaxSpeechInputLength()以下)
・queueMode : キューイング
　・QUEUE_ADD : キューの最後にリクエストを追加
　・QUEUE_FLUSH : キュー内のリクエストを削除し、新リクエストを実行
・params : パラメータ
　・Engine#KEY_PARAM_STREAM : オーディオストリーム
　・Engine#KEY_PARAM_VOLUME : 音のボリューム
　・Engine#KEY_PARAM_PAN : 音の定位
・utteranceId : 発話ID
・戻り値 : 結果
　・SUCCESS : 成功
　・ERROR : 失敗

◎ オーディオストリーム
オーディオストリームを指定します。

・STREAM_ALARM : アラーム
・STREAM_DTMF : DTMFトーン
・STREAM_MUSIC : ミュージック
・STREAM_NOTIFICATION : 通知
・STREAM_RING : 電話呼び出し音
・STREAM_SYSTEM : システムサウンド
・STREAM_VOICE_CALL : 通話

◎ 音のボリューム
音のボリュームを(無音)0〜1(最大)で指定します。

val params = Bundle()
params.putFloat(TextToSpeech.Engine.KEY_PARAM_VOLUME, 0.7f )

◎ 音の定位
音の定位を(左)-1〜1(右)で指定します。

val params = Bundle()
params.putFloat(TextToSpeech.Engine.KEY_PARAM_PAN, 1.0f)

6. 音声合成のリスナー

「UtteranceProgressListener」を使うことで、音声合成の発話に関するイベントを受け取ることができます。

this.tts!!.setOnUtteranceProgressListener(object : UtteranceProgressListener() {
    override fun onStart(utteranceId: String) {
        Log.d("debug","onStart")
    }
    override fun onDone(utteranceId: String) {
        Log.d("debug","onDone")
    }
    override fun onError(utteranceId: String) {
        Log.d("debug","onError")
    }
})

主なメソッドは、次のとおりです。

onStart(utteranceId: String!)
発話を開始した時に呼ばれる。

onStop(utteranceId: String!, interrupted: Boolean)
発話が停止された時に呼ばれる。

onDone(utteranceId: String!)
発話が正常に完了した時に呼ばれる。

onError(utteranceId: String!)
onError(utteranceId: String!, errorCode: Int)
エラー時に呼ばれる。

onAudioAvailable(utteranceId: String!, audio: ByteArray!)
オーディオの準備完了時に呼ばれる。

onBeginSynthesis(utteranceId: String!, sampleRateInHz: Int, audioFormat: Int, channelCount: Int)
utteranceIdの発話の開始時に呼ばれる。

onRangeStart(utteranceId: String!, start: Int, end: Int, frame: Int)
utteranceIdの発話の指定範囲を読み上げる時に呼ばれる。

7. 声の指定

setVoice()をTTS初期化後に呼ぶことで、声を指定することができます。

tts!!.setVoice(voice)

指定可能な日本語の声の一覧は、以下のコードで取得できます。

for (voice in tts!!.voices) {
    if (voice.name.startsWith("ja")) {
        Log.d("debug", voice.name)
    }
}

ja-JP-language
ja-jp-x-jab-network
ja-jp-x-htm-network
ja-jp-x-jad-network
ja-jp-x-jac-network
ja-jp-x-jab-local
ja-jp-x-jad-local
ja-jp-x-jac-local
ja-jp-x-htm-local

8. 声の速度と高さの指定

setSpeechRate()とsetPitch()をTTS初期化後に呼ぶことで、声の速度と高さを指定することができます。​

・声の速度 : 1.0は通常、0.5 : 通常の半分、2.0 : 通常の倍
・声の高さ : 1.0は通常、値小 : 低い声、値大: 高い声

tts!!.setSpeechRate(1.2f)
tts!!.setPitch(0.8f)

次回

Unityゲーム プログラミング・バイブル 2nd Generation