API потокового синтеза речи (gRPC)

Обновлено 10 декабря 2024

Для синтеза речи вы можете использовать gRPC-протокол. Подробнее о нем читайте в официальной документации.

Запросы на синтез через gRPC передаются на адрес:

smartspeech.sber.ru

Заголовки запросов и ответов для всех шагов одинаковы:

Заголовки запроса

authorization required

string <Bearer <Access token>> Информация об аутентификации с помощью Access Token, переданная через OAuth 2.0. Пример: Bearer eyJhbGciOi.cCI6IkpXVCJ9.eyJzd.1hcnRzcG.KUkw

{

• "authorization": "string"

}

Заголовки ответа

x-request-id required

string Уникальный идентификатор запроса, генерируемый сервером. 36 символов. Пример: 22345200-abe8-4f60-90c8-0d43c5f6c0f6

{

• "x-request-id": "string"

}

Создание приложения

Для работы с синтезом речи через gRPC вам необходимо создать клиентское приложение. Вы можете использовать любой язык программирования, который есть в библиотеке для работы с gRPC.

При написании приложения используйте proto-файл.

Передача параметров синтеза

При обращении по gRPC-протоколу с запросом синтеза речи клиентское приложение использует метод Synthesis. В сообщении клиент должен отправить опции синтеза в сообщении типа SynthesisRequest.

Параметры сообщения:

audio_encoding	enum (AudioEncoding) Аудиокодек. Возможные значения: pcm16_se — 16-битный PCM-поток с одним аудиоканалом, закодированный знаковыми целыми числами. Частота дискретизации берется из параметра voice; opus — ogg-поток с аудиокодеком opus внутри; wav16 — WAV PCM 16bit LE signed с заголовком. Частота дискретизации берется из параметра voice. Значение по умолчанию — wav16
content_type	enum Формат данных, передаваемых в теле запроса. Возможные значения: text; ssml. Значение по умолчанию — text
text	string Текст или SSML-разметка с текстом
voice	string Код голоса, например: Nec_24000. Первая часть означает диктора, вторая — частоту дискретизации аудио. Модели с частотой 8000 Гц предназначены для использования в телефонии. Вы можете выбрать голос из раздела Примеры голосов для синтеза или использовать уникальный брендированный голос с помощью сервиса YourVoice.

{

• "audio_encoding": null,
• "content_type": null,
• "text": "string",
• "voice": "string"

}

Получение ответа

Клиент передает текст на вход в составе сообщения SynthesisRequest. Если запрос обработан успешно, то в теле ответа в поле data придет бинарное представление синтезированного звука в запрошенном формате. Сервис в ответ передает клиенту сообщения SynthesisResponse.

Нет необходимости ждать полной обработки всего аудиопотока, вы получаете заголовки ответа в течение секунды, а затем в потоковом режиме приходят бинарные данные.

Заголовки ответа

В качестве заголовка передаются метаданные. Подробнее о читайте в официальной документации gRPC.

Параметры ответа

data	bytes Чанки аудио в заданном формате
audio_duration	google.protobuf.Duration Общая длительность сгенерированного в рамках запроса звука до текущего чанка

{

• "data": null,
• "audio_duration": null

}

Возможные форматы

Если запрос обработан успешно, в поле data возвращаются аудио-чанки в заданном формате.

Значение параметра data	Описание формата
wav16	audio/x-wav
pcm16	audio/x-pcm; bit=16; rate=<частота дискретизации>
opus	audio/ogg; codecs=opus

Коды ошибок

Сервис SaluteSpeech сообщает об ошибках стандартными gRPC-статусами, про которые можно подробно прочесть в официальной документации.

Некоторые коды и описание ошибок:

Код	Описание
3	INVALID_ARGUMENT Клиент неправильно заполнил параметры синтеза речи
5	NOT_FOUND Не определена модель из запроса
7	PERMISSION_DENIED Клиенту недоступно API синтеза речи
8	RESOURCE_EXHAUSTED: payment required Клиент превысил квоту
8	RESOURCE_EXHAUSTED Слишком много запросов
13	INTERNAL Ошибка в работе сервиса синтеза речи
16	UNAUTHENTICATED Клиент не предоставил, либо предоставил истекший/невалидный Access Token в заголовке Authorization

Пример клиентского приложения

Пример клиентского приложения на Python смотрите по ссылке.