rinna株式会社のText to Speech - v2のAPIを使用する

 rinna株式会社が提供しているText to Speech - v2のAPIをOracle APEXのアプリケーションから呼び出して、文章の読み上げを実装してみます。

音声の部分が再生されないため動作が分からないですが、Text to SpeechのボタンをクリックするとrinnaのAPIを呼び出し、文章の読み上げを行います。結果がWAVファイルとして生成されるので、それを取得しデータベースに保存します。オーディオ・コントロールより、データベースに保存したWAVファイルを再生します。

対話モード・レポートのページより、それまでのAPI呼び出しの履歴である文章とWAVにアクセスできます。ボイスIDやスタイルの影響について確認できます。

rinna株式会社の開発者向けサイトよりアカウント登録を行い、Rinna IDを取得します。取得したRinna IDのProfileから、APIの認証に使用するキー（Primary keyまたはSecondary key）の値を確認します。適用されているプランについては、Plansのタブから確認できます。2023年3月6日現在、Freeのプロダクトで月間1,000リクエストまで無料でAPIの呼び出しができるようです。

提供されているAPIのTerms of UseおよびFAQなどは、利用者ご自身にて確認していだくようお願いします。FAQには、APIは現在、試験運用中で検証を除く業務用利用は禁止しております、と記載されています。

作成するOracle APEXのアプリケーションは、指定可能な各種のパラメータを設定してText To SpeechのAPIを呼び出します。生成されたWAVファイルを取得し、データベースにBLOBとして保存したのち再生します。

最初に、読み上げの元になる文章と音声データを保存する表を作成します。

クイックSQLの以下のモデルを使って、表RINNA_TEXT_TO_SPEECHESを作成します。列SID、TID、SPEED、VOLUMEはText to SpeechのAPI呼び出し時に与えるパラメータです。これ以外にMP3またはWAVのどちらかのフォーマットを指定できますが、今回のアプリケーションはWAVで固定します。

# prefix: rinna
# auditcols: true
text_to_speeches
    text clob
    speech blob
    sid number
    tid number
    speed number
    volume number

SQLの生成、SQLスクリプトを保存、レビューおよび実行を順次クリックします。表の作成までを実施し、アプリケーションの作成は行いません。

データベースの列SPEECHに保存されたWAVデータを再生するために、RESTサービス作成します。

SQLワークショップのRESTfulサービスを開きます。

モジュールを作成します。

モジュール名はrinna、ベース・パスは/rinna/とします。公開はONにします。

テンプレートを作成します。

URLテンプレートはspeechとします。

ハンドラを作成します。

メソッドはGET、ソース・タイプにMedia Resourceを選択します。ソースとして以下のSQLを記述します。

select 'audio/wav', speech from rinna_text_to_speeches where id = :id

完全なURLに引数idを与えることにより、列SPEECHに保存されたWAVデータが取り出されます。今回はAlways FreeのAutonomous Database上でアプリケーションを実装しているため、以下のようなURLになります。

https://ホスト名/ords/ワークスペース名/rinna/speech?id=表RINNA_TEXT_TO_SPEECHESのID値

rinna APIの認証に使用するWeb資格証明を作成します。

ワークスペース・ユーティリティのWeb資格証明を開きます。

rinna APIはHTTPヘッダーOcp-Apim-Subscription-KeyにPrimary key（またはSecondary key）を与えることで認証されます。

名前はrinna Developer key、静的識別子としてRINNA_DEVELOPER_KEYを設定します。静的識別子はPL/SQLコード中に埋め込みます。異なる静的識別子にした場合は、PL/SQLのコードも変更する必要があります。

認証タイプにHTTPヘッダー、資格証明名としてOcp-Apim-Subscription-Key、資格証明シークレットとしてrinna IDのProfileから確認できるPrimary keyを設定します。

以上で準備ができました。これからAPEXのアプリケーションを作成します。

アプリケーション作成ウィザードを起動し、空のアプリケーションを作成します。名前はText to Speechとします。

対話モード・レポートのページを追加します。ページの追加をクリックします。

対話モード・レポートを選択します。

ページ名はSpeechesとします。表またはビューとしてRINNA_TEXT_TO_SPEECHESを選択します。フォームは不要なので、フォームを含めるはチェックしません。

ページの追加をクリックします。

アプリケーションの作成をクリックします。

アプリケーションが作成されます。

最初に共有コンポーネントとして、スタイルIDを指定するためのLOVを作成します。

共有コンポーネントを開きます。

他のコンポーネントのLOVを開きます。

作成済みのLOVが一覧されます。作成をクリックします。

LOVの作成は最初からを選択します。

次へ進みます。

作成するLOVの名前はLOV_SYTLEとします。タイプはStaticを選択します。

次へ進みます。

LOVの表示値と戻り値を設定します。スタイルIDの定義より、'1:talk' or '2:happy' or '3:sad' or '5:angry' or '6:fear' or '7:surprised'を戻り値:表示値のペアとして設定します。

LOVの作成をクリックします。

共有LOVとしてLOV_STYLEが作成されました。

ホーム・ページにText to Speech APIの呼び出しを実装します。

ホーム・ページのページ・ナビゲーションを削除します。

ボイスIDを指定するページ・アイテムP1_SIDを作成します。

識別の名前はP1_SID、タイプは数値フィールド、ラベルはボイスIDとします。設定の最小値は27、最大値は47を設定します。検証の必須の値をONにします。デフォルトのタイプに静的値を選択し、静的値として27を設定します。

スタイルIDを指定するページ・アイテムP1_TIDを作成します。

識別の名前はP1_TID、タイプは選択リスト、ラベルはスタイルとします。レイアウトの新規行の開始をOFFとして、ページ・アイテムP1_SIDの右隣に配置します。検証の必須の値はONとします。LOVのタイプに共有コンポーネントを選択し、LOVとして先ほど作成したLOV_SYTLEを選択します。デフォルトのタイプは静的、静的値に1を指定し、ニュートラルな話し方であるtalkをデフォルトにします。

話速を指定するページ・アイテムP1_SPEEDを作成します。

識別の名前はP1_SPEED、タイプは数値フィールド、ラベルは話速とします。設定の最小値は0.1、最大値は10.0、仮想キーボードにNumericを選択します。新規行の開始はOFFにして、ページ・アイテムP1_TIDの右隣に配置します。

検証の必須の値をON、デフォルトのタイプは静的、静的値として1.0を指定します。

音量を指定するページ・アイテムP1_VOLUMEを作成します。

識別の名前をP1_VOLUME、ラベルを音量とします。それ以外はP1_SPEEDと同じ設定を行います。

読み上げるテキストを入力するページ・アイテムP1_TEXTを作成します。

識別の名前はP1_TEXT、タイプとしてテキスト領域を選択します。検証の必須の値はONにします。

Text to Speechを実行するボタンを作成します。

識別のボタン名はTEXT_TO_SPEECH、ラベルはText to Speech、動作のアクションとして、デフォルトのページの送信を選択します。

APIを呼び出して取得した音声は、表RINNA_TEXT_TO_SPEECHESに保存されます。保存されている行の主キーの値を保存するページ・アイテムP1_IDを作成します。

識別の名前をP1_ID、タイプとして非表示を選択します。

WAVデータの再生を行うオーディオ・コントロールを表示します。

リージョンを作成し、識別のタイトルを読み上げとします。タイプとして静的コンテンツを選択し、ソースのHTMLコードとして以下を記述します。WAVデータを取り出すORDS RESTサービスを呼び出します。/ords/apexdevの部分は環境に合わせて変更します。

<audio controls src="/ords/apexdev/rinna/speech?id=&P1_ID."></audio>

外観のテンプレートにBlank with Attributesを選択します。サーバー側の条件のタイプとしてアイテムはNULLではないを選択し、アイテムにP1_IDを指定します。

ボタンTEXT_TO_SPEECHをクリックしたときに実行されるプロセスを作成します。

作成したプロセスの識別の名前はText to Speechとします。タイプはコードを実行です。ソースのPL/SQLコードとして、以下を記述します。

サーバー側の条件のボタン押下時にTEXT_TO_SPEECHを選択します。

Text to SpeechのAPI呼び出しについては、以上で実装完了です。

Text to Speechの実行履歴を一覧するレポートより、保存されている音声を再生できるようにします。

列IDのタイプをプレーン・テキストに変更し、列の書式のHTML式として以下を記述します。/ords/apexdevの部分は環境に合わせて変更します。

<audio controls src="/ords/apexdev/rinna/speech?id=#ID#"></audio>

列TIDを選択し、識別のタイプをプレーン・テキスト(LOVに基づく)に変更します。LOVとしてLOV_STYLEを選択します。

以上でアプリケーションは完成です。

今回作成したAPEXアプリケーションのエクスポートを以下に置きました。

https://github.com/ujnak/apexapps/blob/master/exports/text-to-speech.zip

Oracle APEXのアプリケーション作成の参考になれば幸いです。

完