Потоковый синтез речи

• Схема контракта
• Примеры запросов и ответов на Python

Параметры запроса

Формат входящего сообщения.

Поле	Тип	Описание
input	SynthesisInput	Исходные данные для синтеза: текст или разметка SSML.
voice	VoiceSelectionParams	Настройки голоса для синтеза.
audio_config	AudioConfig	Настройки синтезируемого аудио.

SynthesisInput

Исходные данные для синтеза: текст или разметка SSML.

Поле	Тип	Описание	По умолчанию	Ограничения
text	string	Текст без SSML-разметки, допускается пунктуация.	""	Общее ограничение
ssml	string	Текст в формате SSML.	""	Общее ограничение

VoiceSelectionParams

Настройки голоса для синтеза.

Поле	Тип	Описание	По умолчанию	Ограничения	Ошибка при неправильном значении
name	string	Название голоса.	Конфигурируется на уровне сервиса, значение может изменяться.	Значение из списка доступных голосов.	Некорректное название голоса: INVALID_ARGUMENT Голос недоступен для API-ключа: PERMISSION_DENIED

AudioConfig

Настройки синтезируемого аудио.

Поле	Тип	Описание	По умолчанию	Ограничения	Ошибка при неправильном значении
audio_encoding	AudioEncoding	Формат аудио. Определяет и контейнер, и кодек.	Нет, поле обязательное.	Значение только из списка поддерживаемых форматов.	Код 3 INVALID_ARGUMENT
sample_rate_hertz	int32	Частота дискретизации в герцах. Должна задаваться явно.	Нет, поле обязательное.	Поддерживаемые частоты: для формата RAW_OPUS — 8 000, 12 000, 16 000, 24 000 и 48 000 Гц; для вех остальных форматов — от 1 000 до 48 000.	Код 3 INVALID_ARGUMENT
speaking_rate	float32	Скорость произношения. Задается в долях от естественной скорости произношения для конкретного голоса. Например, значение 0.5 замедляет речь в два раза, 2 — ускоряет в 2 раза.	1.0	Поддерживаются значения от 0.33 до 3.	Код 3 INVALID_ARGUMENT
pitch	float32	Высота речи. Задается в долях от естественной высоты конкретного голоса. Например, значение 0.5 понижает высоту голоса в 2 раза, 2 — повышает в 2 раза.	1.0	Поддерживаются значения от 0.33 до 3.	Код 3 INVALID_ARGUMENT

Параметры ответа

Поле	Тип	Описание	Ограничения
audio_chunk	bytes	Фрагмент ответа: для LINEAR16, MULAW и ALAW ― семплы; для RAW_OPUS ― одиночный фрейм. Подробнее — в описании параметра RAW_OPUS.	Общее ограничение

AudioEncoding

Формат аудио. Определяет и контейнер, и кодек. Подробнее о PCM и LPCM.

Имя	Описание
LINEAR16	LPCM без заголовка, битовая глубина ― 16 бит.
ALAW	PCM без заголовков в распределении a-law (PCMA), битовая глубина ― 8 бит.
RAW_OPUS	Фреймы Opus, запакованные в сообщения Protobuf. Доступно только для потокового синтеза речи. Каждый фрейм Opus запаковывается в отдельное сообщение с полем audio_content. Синтезируемое аудио возвращается в семплах с частотой дискретизации, указанной в sample_rate_hertz.

Общее ограничение

Максимальный размер gRPC-запроса — 4 Мб.

Если лимит превышен, возвращается ошибка RESOURCE_EXHAUSTED:

• Код ошбики — 8.
• Сообщение — received message larger than max (<размер вашего сообщения> vs. 4194304). Может измениться, приведено для примера.