Podcasty jsou dnes velice moderní. Lidé nemají čas číst noviny a blogové příspěvky, ale raději si pustí nejnovější zpravodajství či zajímavé rozhovory v audio podobě. Rád bych se podělil o jednoduchý postup, v kterém si ukážeme, jak z příspěvků na vašem blogu jednoduše pomocí modelů umělé inteligence vytvořit audionahrávky.

Tldr

V tomto článku si ukážeme, jak články na blogu napsaném v Next.js, které se automaticky buildují ze souborů json, automaticky pomocí GitHub Actions a Microsoft Azure Speech Services převést na audionahrávky.

Prerekvizity

Aby se vám povedlo celým procesem projít, budete potřebovat:

• mít blog, který běží na node.js
• mít subscription na Azure
• mít účet na GitHubu

Cena řešení

Text budeme syntetizovat pomocí jazykového AI modelu od společnosti Microsoft, který je poskytnut v rámci služeb Azure Cognitive Services, konkrétně Speech Services. Služba nabízí FREE úroveň do počtu 500 000 převedených znaků za měsíc. V mém případě je tato možnost dostačující a pro osobní blog vhodnou.

Více informací ohledně ceny naleznete na: https://azure.microsoft.com/en-us/pricing/calculator/.

Podpora cizích jazyků

Pro službu Azure Speech Services, specificky Text to Speech jsem se rozhodl především z důvodu kvalitní podpory českého jazyka.

Službu jsme ozkoušel v DEMO prostředí na stránkách služby: https://azure.microsoft.com/en-us/services/cognitive-services/text-to-speech/#features.

Architektura projektu

Trigger

Rozhodl jsem se, že službu budu spouštět pomocí GitHub Actions a to hned z několika důvodů:

1. Proces odesílání a přijímaní syntetizovaných dat nepoběží u mne na PC, nebude ho zbytečně zatěžovat a nebude závislý na prostředí
2. Díky GitHub Actions mohu efektivně a jednoduše uchovávat secrety s bezpečnostně citlivými údaji
3. Budu mít přehledný log úspěšných a neúspěšných procesů díky historii GitHub Actions

name: 🔊 Text2Speech
on: workflow_dispatch
jobs:
  synthetize:
    runs-on: ubuntu-latest
    steps:
    - uses: actions/checkout@v2

    - name: Install modules
      run: yarn

    - name: Run text2speech script
      run: yarn text2speech ${{ secrets.SPEECH_KEY }} ${{ secrets.LOCATION_REGION }}

    - uses: stefanzweifel/git-auto-commit-action@v4
      with:
        commit_message: Synthetized text to mp3 files

Popis procesu

1. Skript přečte veškerý obsah souborů json ve specifické složce
2. Pomocí Azure Speech SDK vytvoří žádost o syntetizaci s danými parametry
3. Vytvoří a zapíše do souboru audionahrávku

// importuje potrebne knihovny
const sdk = require("microsoft-cognitiveservices-speech-sdk");
const fs = require("fs");

// definuje skrit volany v package.json
module.exports.text2speech = () => {

    // process variables
    const argv = process.argv;
    if(argv[1] === "" || argv[2] === ""){
        console.error("ERROR: Set up SPEECH_KEY and LOCATION_REGION!");
        return;
    }
    allJsons(argv[1], argv[2]);
	
		// read and serialize all json foles to json object in the specific folder
    function allJsons(SPEECH_KEY, LOCATION_REGION) {
        fs.readdir("_days/", (err, filenames) => {
            if (err) {
                onerror(err);
                return;
            }
            filenames.forEach((filename) => {
                fs.readFile(`_days/${filename}`, "utf-8", (err, content) => {
                    if (err) {
                        onerror(err);
                        return;
                    }
                    let contentJSON = JSON.parse(content);
                    let text = `Vítej u dnešního zamyšlení na Tvé cestě Půstem!\nDnes je ${contentJSON.day} a autorem zamyšlení je ${contentJSON.author}.\n\nÚryvek z Bible\n${contentJSON.quote}\n\nZamyšlení\n${contentJSON.reflexion}\n\nDnešní sekce z Christus Vivit\n${contentJSON.vivit}\n\nZávěrečná modlitba\n${contentJSON.preayer}`;
                    // console.log(contentJSON.slug + text);
                    SynthesizeSpeech(text, contentJSON.slug, SPEECH_KEY, LOCATION_REGION);
                });
            });
        });
    }
		
		// work with Azure Speech Services
    function SynthesizeSpeech(text, filename, SPEECH_KEY, LOCATION_REGION) {
        const speechConfig = sdk.SpeechConfig.fromSubscription(SPEECH_KEY, LOCATION_REGION);

        // config voice options
        speechConfig.speechSynthesisLanguage = "cs-CZ";
        speechConfig.speechSynthesisVoiceName = "cs-CZ-AntoninNeural";

        // Set the output format
        speechConfig.speechSynthesisOutputFormat = 21; // mp3, 96kb

        const audioConfig = sdk.AudioConfig.fromAudioFileOutput(`public/audio/${filename}.mp3`);

        const synthesizer = new sdk.SpeechSynthesizer(speechConfig, audioConfig);
        synthesizer.speakTextAsync(
            text,
            result => {
                synthesizer.close();
                if (result) {
                    // return result as stream
                    return fs.createReadStream(`public/audio/${filename}.mp3`);
                }
            },
            error => {
                console.log(error);
                synthesizer.close();
            });
    }
};

Projekt

Více informací i s historií změn, můžete najít v mergnutém pull requestu v repozitáři projektu.

https://github.com/petrkucerak/cestapustem/pull/61