sample_gemini_tts.py ドキュメント

プログラムの動作

sample_gemini_tts.py は、Google Gemini のテキスト音声合成(TTS)API を利用して、テキストから音声を生成するPythonスクリプトです。このプログラムの主な目的は、tktts_gemini ライブラリを用いた Gemini TTS の基本的な使い方をデモンストレーションすることです。

具体的には、以下の機能を提供します。

  • APIキーの検証: プログラム実行前に環境変数 GEMINI_API_KEY または GOOGLE_API_KEY が設定されているかを確認します。設定されていない場合は警告を表示し、プログラムを終了します。

  • 利用可能な音声のリスト表示: Gemini TTS API を通じて利用可能な音声(言語、話者、スタイルなど)のリストを取得し、コンソールに表示します。

  • 単一テキストの音声合成: 指定されたテキストを、特定の音声名(例: "Puck")と感情指示(例: 「明るく元気なトーンで」)に基づいて音声合成し、結果を .wav ファイルとして保存します。

このプログラムは、Gemini TTS 機能をアプリケーションに組み込む際の出発点として機能し、APIキーのセットアップから実際の音声合成までの基本的なワークフローを示します。

原理

このプログラムは、Google Cloud の AI サービスである Gemini の Text-to-Speech (TTS) API を利用しています。TTS API は、最先端の深層学習モデル(例えば、Tacotron や WaveNet のようなアーキテクチャに基づくもの)をバックエンドで使用し、入力されたテキストを人間が話すような自然で高品質な音声に変換します。

プログラムの動作原理は以下の通りです。

  1. APIキー認証: プログラムはまず、環境変数から Gemini API へのアクセスを認証するためのキーを読み込みます。このキーは、Google Cloud の認証情報と結びついており、APIリクエストの送信権限を付与します。

  2. tktts_gemini ライブラリの利用: Python の tktts_gemini ライブラリが、Gemini TTS API への複雑なHTTPリクエストやレスポンスの処理を抽象化しています。開発者はこのライブラリを通じて、簡潔なPythonコードでTTS機能を利用できます。

  3. 音声情報取得: tktts_gemini.list_available_voices() メソッドを呼び出すことで、APIから利用可能な音声モデルのリストを取得します。これには、各音声の言語、話者名、性別、声のタイプなどが含まれます。

  4. 音声合成処理: tktts_gemini.speak() メソッドが音声合成の核心部分です。このメソッドは、以下の情報をAPIに送信します。

    • 合成対象テキスト: 音声に変換したい文字列。

    • 音声名: 使用する特定の話者の声(例: "Puck")。

    • 感情指示: 音声のトーンやスタイルに関する指示(例: 「明るく元気なトーンで」)。これは、APIが生成する音声の感情表現を調整するために使用されます。

  5. 音声データ出力: APIは、合成された音声をバイナリデータ(通常は WAV 形式)として返します。tktts_gemini ライブラリはこのデータを指定されたファイルパスに保存します。

この一連のプロセスにより、テキストはクラウド上で処理され、人間が聞くことができる音声ファイルへと変換されます。

必要な非標準ライブラリとインストール方法

このプログラムの実行には、以下の非標準ライブラリが必要です。

  • tktts_gemini

これらのライブラリは pip を使ってインストールできます。

pip install tktts_gemini

必要な入力ファイル

このプログラムは、特定の入力ファイルを必要としません。 ただし、Google Gemini API にアクセスするためには、以下のいずれかの環境変数が設定されている必要があります。

  • GEMINI_API_KEY

  • GOOGLE_API_KEY

プログラムは起動時にこれらの環境変数のいずれかを確認し、設定されていない場合はエラーメッセージを出力して終了します。

生成される出力ファイル

プログラムが正常に実行されると、以下の音声ファイルが生成されます。

  • test_gemini_single.wav:

    • 内容: プログラム内で定義されたテキスト "こんにちは!Gemini 3.8 Flash TTSのテスト音声です。" を音声合成したものです。

    • 音声: Puck という名前の音声が使用され、「明るく元気なトーン」で話された内容が収録されています。

    • 形式: WAV形式の音声ファイル。

このファイルは、プログラムが実行されたカレントディレクトリに保存されます。

コマンドラインでの使用例 (Usage)

sample_gemini_tts.py をコマンドラインから実行する基本的な手順は以下の通りです。

  1. APIキーの設定: プログラムを実行する前に、Google Gemini API キーを環境変数 GEMINI_API_KEY または GOOGLE_API_KEY に設定する必要があります。これはセキュリティ上の理由から直接コードに埋め込まず、環境変数として管理することが推奨されます。

    export GEMINI_API_KEY="あなたの実際のAPIキー"
    # または
    # export GOOGLE_API_KEY="あなたの実際のAPIキー"
    

    Windows の場合は、コマンドプロンプトで以下のように設定します。

    set GEMINI_API_KEY="あなたの実際のAPIキー"
    rem または
    rem set GOOGLE_API_KEY="あなたの実際のAPIキー"
    
  2. プログラムの実行: 環境変数を設定した後、Python インタープリタを使用してスクリプトを実行します。

    python sample_gemini_tts.py
    

プログラムは引数を受け付けず、内部に記述されたロジックに従って動作します。

コマンドラインでの具体的な使用例

以下に、sample_gemini_tts.py をコマンドラインで実行する具体的な例と、その実行結果について説明します。

  1. APIキーの設定: まず、ターミナルで Gemini API キーを環境変数に設定します。YOUR_API_KEY_HERE の部分を、ご自身の実際のAPIキーに置き換えてください。

    export GEMINI_API_KEY="YOUR_API_KEY_HERE"
    
  2. プログラムの実行: 次に、Pythonスクリプトを実行します。

    python sample_gemini_tts.py
    
  3. 実行結果: プログラムが正常に実行されると、以下のような出力がコンソールに表示されます(利用可能な音声リストは環境によって変動します)。

    === Gemini TTS テスト開始 ===
    Available voices:
    --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
    Name    Language Code   Gender      Description                                             Sample Rate Hertz     Natural Sample Rate Hertz     Ssml Gender   Speaking Rate   Pitch   Volume Gain Db
    --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
    Puck    en-US           FEMALE      Default female voice for en-US.                         24000                 24000                         FEMALE        1.0             0.0     0.0
    ... (他の利用可能な音声が続く) ...
    --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
    
    🔊 単一音声の生成テスト: Puck の声で生成します。
    ✅ 成功: test_gemini_single.wav を再生して確認してください。
    

    この実行により、プログラムが実行されたディレクトリに test_gemini_single.wav というファイルが生成されます。このWAVファイルを再生すると、「こんにちは!Gemini 3.8 Flash TTSのテスト音声です。」というテキストが、指定されたトーンで読み上げられているのを確認できます。 APIキーが設定されていない場合は、プログラムは以下のような警告を出力して終了します。

    ⚠️ 警告: 環境変数 'GEMINI_API_KEY' が設定されていません。
    実行前に 'export GEMINI_API_KEY=あなたのAPIキー' を実行してください。