3つの音声合成サービスをPythonで試して結果を比較してみた

!pip install openai==1.8.0

import os
os.environ['OPENAI_API_KEY'] = 'OpenAIのAPIキー'

from IPython.display import Audio
from openai import OpenAI

client = OpenAI()
mp3_file_path = '/content/openai_bloomee.mp3'

# 音声合成実行
# modelはtts-1とtts-1-hdを指定することができ、tts-1-hdのほうが精度がいいが遅いという特徴があります
# 話者は alloy, echo, fable, onyx, nova, shimmerが使えます
response = client.audio.speech.create(
    model='tts-1-hd',
    voice='alloy',
    input='吾輩は猫である。名前はまだない。'
)

# ファイルとして保存し音声をColab上で流す
response.stream_to_file(mp3_file_path)
Audio(mp3_file_path, autoplay=True)

!pip install boto3==1.34.22

aws_access_key_id = 'Pollyの権限があるIAMユーザーのアクセスキー'
aws_secret_access_key = 'Pollyの権限があるIAMユーザーのシークレットキー'
region_name = 'ap-northeast-1'

import boto3
from IPython.display import Audio

# 認証情報等を設定
session = boto3.Session(
    aws_access_key_id=aws_access_key_id,
    aws_secret_access_key=aws_secret_access_key,
    region_name=region_name
)
client = session.client('polly')
mp3_file_path = '/content/aws_bloomee.mp3'

# 音声合成実行
# Engineは standard, neural, long-formが使えます
# standardよりもneuralのほうが精度がいいですが、料金が高いという特徴があります
# long-formは長文でも流暢な言葉を話せますが、英語(米国)用です
# neuralで使用できる日本語話者は Takumi, Kazuha, Tomokoです
response = client.synthesize_speech(
    Engine='neural',
    OutputFormat='mp3',
    Text='吾輩は猫である。名前はまだない。',
    VoiceId='Tomoko',
)

# ファイルとして保存し音声をColab上で流す
with open(mp3_file_path, 'wb') as f:
    f.write(response['AudioStream'].read())
Audio(mp3_file_path, autoplay=True)

# 必要ライブラリ等インストール
version='0.14.5'
!pip install https://github.com/VOICEVOX/voicevox_core/releases/download/$version/voicevox_core-$version+cpu-cp38-abi3-linux_x86_64.whl
!curl -sSfL https://github.com/VOICEVOX/voicevox_core/releases/latest/download/download.sh | bash -s
%cd voicevox_core/

from pathlib import Path

from IPython.display import Audio
from voicevox_core import VoicevoxCore

# 話者のidを指定（ https://github.com/VOICEVOX/voicevox_fat_resource/blob/main/core/model/README.md を参照）
speaker_id = 0

wave_file_path = '/content/voicevox_bloomee.mp3'

# 日本語の辞書が存在する場所を指定しクラス読み込み
core = VoicevoxCore(open_jtalk_dict_dir=Path('open_jtalk_dic_utf_8-1.11'))

# 対象のidのモデルを読み込む
core.load_model(speaker_id)

# 音声合成実行
wave_bytes = core.tts('吾輩は猫である。名前はまだない。', speaker_id)

# ファイルとして保存し音声をColab上で流す
with open(wave_file_path, "wb") as f:
    f.write(wave_bytes)
Audio(wave_file_path, autoplay=True)