2023年3月6日月曜日

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。

declare
l_request json_object_t;
l_request_clob clob;
l_response json_object_t;
l_response_clob clob;
l_media_content_url varchar2(32767);
l_blob blob;
begin
/*
* Text To Speech V2のリクエストを作成する。
*
* 参照: https://developers.rinna.co.jp/api-details#api=TextToSpeech-v2
*/
l_request := json_object_t();
l_request.put('sid', to_number(:P1_SID));
l_request.put('tid', to_number(:P1_TID));
l_request.put('speed', to_number(:P1_SPEED));
l_request.put('text', :P1_TEXT);
l_request.put('volume', to_number(:P1_VOLUME));
l_request.put('format', 'wav');
l_request_clob := l_request.to_clob();
-- apex_debug.info(l_request_clob);
/*
* Text To Speech の呼び出し。
*/
apex_web_service.clear_request_headers;
apex_web_service.set_request_headers('Content-Type','application/json', p_reset => false);
apex_web_service.set_request_headers('Cache-Control','no-cache', p_reset => false);
l_response_clob := apex_web_service.make_rest_request(
p_url => 'https://api.rinna.co.jp/models/cttse/v2'
,p_http_method => 'POST'
,p_body => l_request_clob
,p_credential_static_id => 'RINNA_DEVELOPER_KEY'
);
if apex_web_service.g_status_code <> 200 then
raise_application_error(-20001, 'Text To Speech = ' || apex_web_service.g_status_code);
end if;
/*
* レスポンスから生成されたWAVファイルのURLを取得する。
*/
l_response := json_object_t(l_response_clob);
l_media_content_url := l_response.get_string('mediaContentUrl');
if l_media_content_url is null then
raise_application_error(-20001, 'No MediaContentUrl');
end if;
/*
* WAVファイルを取得し、BLOBとして保存する。
*/
apex_web_service.clear_request_headers;
apex_web_service.set_request_headers('Content-Type','audio/wav', p_reset => false);
l_blob := apex_web_service.make_rest_request_b(
p_url => l_media_content_url
,p_http_method => 'GET'
,p_credential_static_id => 'RINNA_DEVELOPER_KEY'
);
if apex_web_service.g_status_code <> 200 then
raise_application_error(-20001, 'Get Speech = ' || apex_web_service.g_status_code);
end if;
/*
* テキストと音声の両方を保存する。
*/
insert into rinna_text_to_speeches(text, speech, sid, tid, speed, volume)
values(:P1_TEXT, l_blob, :P1_SID, :P1_TID, :P1_SPEED, :P1_VOLUME)
returning id into :P1_ID;
end;
view raw rinna-text-to-speech.sql hosted with ❤ by GitHub

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
投稿者 時刻:
ラベル: ,