Gemini APIのTTS、驚きの表現力。複数話者もスタイルも自由自在

pip install google-generativeai

from google import genai
from google.genai import types
import wave # オーディオファイルを扱うための標準ライブラリ

# 出力を保存するためのwaveファイルを設定するヘルパー関数
def save_wave_file(filename, pcm_data, channels=1, rate=24000, sample_width=2):
   """PCMデータをWAVEファイルとして保存する"""
   with wave.open(filename, "wb") as wf:
      wf.setnchannels(channels)
      wf.setsamplesize(sample_width) # サンプルサイズ (バイト数)
      wf.setframerate(rate)         # サンプルレート (Hz)
      wf.writeframes(pcm_data)      # フレームデータを書き込み

# クライアントの準備
client = genai.Client(api_key="YOUR_GEMINI_API_KEY") # YOUR_GEMINI_API_KEYを実際のAPIキーに置き換え

# 音声の生成リクエスト
response = client.models.generate_content(
   model="gemini-2.5-flash-preview-tts", # 使用するTTSモデルを指定
   contents="明るく言いましょう: 素敵な一日をお過ごしください!", # 音声化したいテキストコンテンツ
   config=types.GenerateContentConfig(
      response_modalities=["AUDIO"], # レスポンスタイプをオーディオに設定
      speech_config=types.SpeechConfig(
         voice_config=types.VoiceConfig(
            prebuilt_voice_config=types.PrebuiltVoiceConfig(
               voice_name='Kore', # 使用する音声の名前を指定 (後述のオプションから選択)
            )
         )
      ),
   )
)

# レスポンスから音声データを取得し、ファイルに保存
if response.candidates and response.candidates[0].content.parts:
    audio_data = response.candidates[0].content.parts[0].inline_data.data
    file_name = 'output_single_speaker.wav'
    save_wave_file(file_name, audio_data) # 生成された音声データをファイルに保存
    print(f"音声を {file_name} に保存しました。")
else:
    print("音声データの生成に失敗しました。")

from google import genai
from google.genai import types
import wave

# save_wave_file関数は単一話者の例と同じものを使用

# クライアントの準備 (上記と同じ)
client = genai.Client(api_key="YOUR_GEMINI_API_KEY")

# プロンプト (対話形式のテキスト)
prompt = """ジョーとジェーンの間の次の会話をTTSで書きます。:
         ジョー: ジェーン、今日はどうですか?
         ジェーン: 悪くないわね、あなたはどう？"""

# 音声の生成リクエスト (複数話者設定)
response = client.models.generate_content(
   model="gemini-2.5-flash-preview-tts",
   contents=prompt,
   config=types.GenerateContentConfig(
      response_modalities=["AUDIO"],
      speech_config=types.SpeechConfig(
         multi_speaker_voice_config=types.MultiSpeakerVoiceConfig(
            speaker_voice_configs=[
               # 1人目の話者設定
               types.SpeakerVoiceConfig(
                  speaker='ジョー', # プロンプト内の話者名と一致させる
                  voice_config=types.VoiceConfig(
                     prebuilt_voice_config=types.PrebuiltVoiceConfig(
                        voice_name='Kore', # ジョーに割り当てる音声
                     )
                  )
               ),
               # 2人目の話者設定
               types.SpeakerVoiceConfig(
                  speaker='ジェーン', # プロンプト内の話者名と一致させる
                  voice_config=types.VoiceConfig(
                     prebuilt_voice_config=types.PrebuiltVoiceConfig(
                        voice_name='Puck', # ジェーンに割り当てる音声
                     )
                  )
               ),
            ]
         )
      )
   )
)

# レスポンスから音声データを取得し、ファイルに保存 (上記と同じ方法でwaveファイルに保存)
if response.candidates and response.candidates[0].content.parts:
    audio_data = response.candidates[0].content.parts[0].inline_data.data
    file_name = 'output_multi_speaker.wav'
    save_wave_file(file_name, audio_data)
    print(f"音声を {file_name} に保存しました。")
else:
     print("音声データの生成に失敗しました。")

import pyaudio # pip install PyAudio が必要

# PyAudioストリームの準備 (再生デバイスの設定などに依存)
# pya = pyaudio.PyAudio()
# stream = pya.open(...) # 再生設定に応じて適切なパラメータを指定

# ストリーミングデータの再生
def play_audio_stream(audio_chunks):
   """オーディオデータのチャンクをストリーム再生する"""
   # streamオブジェクトは事前に開かれているものとする
   for chunk in audio_chunks:
      if chunk.data: # データが存在する場合のみ処理
         stream.write(chunk.data) # ストリームにデータを書き込み再生
   # stream.stop_stream()
   # stream.close()
   # pya.terminate()

# ... generate_content呼び出し ...
# レスポンスオブジェクト (上記単一/複数話者例のresponse) からオーディオチャンクを取得
# audio_chunks = response.candidates[0].content.parts # 例として。実際の構造は確認が必要

# play_audio_stream(audio_chunks) # 再生を実行

from google import genai
from google.genai import types

# クライアントの準備 (上記と同じ)
client = genai.Client(api_key="YOUR_GEMINI_API_KEY")

# 他のモデルで文字起こしを生成
transcript_response = client.models.generate_content(
   model="gemini-2.0-flash", # テキスト生成に特化したモデルを使用
   contents="""Generate a short transcript around 100 words that reads
            like it was clipped from a podcast by excited herpetologists.
            The hosts names are Dr. Anya and Liam."""
)
transcript = transcript_response.text # 生成されたテキストを取得

print("生成された文字起こし:\n", transcript)

# 生成された文字起こしをTTSモデルに渡し、音声化
response = client.models.generate_content(
   model="gemini-2.5-flash-preview-tts", # TTSモデルを使用
   contents=transcript, # 文字起こしテキストを入力
   config=types.GenerateContentConfig(
      response_modalities=["AUDIO"],
      speech_config=types.SpeechConfig(
         multi_speaker_voice_config=types.MultiSpeakerVoiceConfig(
            speaker_voice_configs=[
               types.SpeakerVoiceConfig(
                  speaker='Dr. Anya', # 文字起こし内の話者名と一致
                  voice_config=types.VoiceConfig(
                     prebuilt_voice_config=types.PrebuiltVoiceConfig(
                        voice_name='Kore', # Dr. Anyaに割り当てる音声
                     )
                  )
               ),
               types.SpeakerVoiceConfig(
                  speaker='Liam', # 文字起こし内の話者名と一致
                  voice_config=types.VoiceConfig(
                     prebuilt_voice_config=types.PrebuiltVoiceConfig(
                        voice_name='Puck', # Liamに割り当てる音声
                     )
                  )
               ),
            ]
         )
      )
   )
)

# ... 生成された音声をストリーミングまたはファイルに保存するコード ...