POSTED BY
2024-03-26

TSUKUMOのマルチGPUパソコンWA9J-X211/XTにUbuntu Server 20.04.2 LTSを導入する【１】
TSUKUMOのマルチGPUパソコンWA9J-X211/XTにUbuntu Server 20.04.2 LTSを導入する【２】

VOICEBOXはオープンソースの音声合成ソフトウェアであり、NVIDIAのGPUを積んでいるパソコンだとより早く動く（らしい）。
前回まででLinuxであるUbuntuをセットアップしてしまっているので、PythonからAPIを介して合成エンジンを呼びたいと思っていたところ、すでにLinux版が存在するので早速導入してみる。

https://github.com/VOICEVOX/voicevox_engine/releases/tag/0.18.0

上記のページから、Linux + GPU版＝ voicevox_engine-linux-nvidia-0.18.0.7z.001 を取得する。

wget https://github.com/VOICEVOX/voicevox_engine/releases/download/0.18.0/voicevox_engine-linux-nvidia-0.18.0.7z.001

使用するパッケージをインストール

sudo apt install p7zip-full libsndfile1

解凍

7z x voicevox_engine-linux-nvidia-0.18.0.7z.001

linux-nvidiaへ移動し、runを確認。

cd linux-nvidia
./run --help

起動する。WebからAPIテストをしたいので、cors_policy_modeをallとしている。

./run --host 0.0.0.0 --use_gpu --cors_policy_mode all

コンソールでちゃんと起動に成功し、Web APIのドキュメントにアクセスできればOK。このマシンのIPが172.21.16.39なら、ブラウザから

http://172.21.16.39:50021/docs

と打ってAPIのテストページが出ればOK。

PythonからAPIを呼ぶ

以下のようなコードを書く。

import requests
import json

URL = 'http://172.21.16.39:50021/'
TEXT = 'これはテストです。'
SPEAKER = 0
SAVED_FILE = './test.wav'

# make synthesis query

response = requests.post(URL + 'audio_query', params = {'text':TEXT, 'speaker':SPEAKER})
query_data = response.json()
print(query_data)

response = requests.post(URL + 'synthesis', params = {'speaker':SPEAKER, 'enable_interrogative_upspeak':'true'}, data = json.dumps(query_data))
print(response.status_code)
with open(SAVED_FILE, 'wb') as saved_file:
    saved_file.write(response.content)

audio_queryで合成用クエリを作成し、それをsynthesisに渡して合成実行、結果がバイナリWAVで帰るので、ファイルに保存。

python3 voicevox_engine_api_test.py

{'accent_phrases': [{'moras': [{'text': 'コ', 'consonant': 'k', 'consonant_length': 0.07232547551393509, 'vowel': 'o', 'vowel_length': 0.05971287190914154, 'pitch': 5.585086822509766}, {'text': 'レ', 'consonant': 'r', 'consonant_length': 0.03742808848619461, 'vowel': 'e', 'vowel_length': 0.0778321698307991, 'pitch': 5.685544967651367}, {'text': 'ワ', 'consonant': 'w', 'consonant_length': 0.052048780024051666, 'vowel': 'a', 'vowel_length': 0.0848769024014473, 'pitch': 5.816624641418457}], 'accent': 3, 'pause_mora': None, 'is_interrogative': False}, {'moras': [{'text': 'テ', 'consonant': 't', 'consonant_length': 0.061835877597332, 'vowel': 'e', 'vowel_length': 0.0792454406619072, 'pitch': 5.916571617126465}, {'text': 'ス', 'consonant': 's', 'consonant_length': 0.028420621529221535, 'vowel': 'U', 'vowel_length': 0.059678249061107635, 'pitch': 0.0}, {'text': 'ト', 'consonant': 't', 'consonant_length': 0.06472935527563095, 'vowel': 'o', 'vowel_length': 0.0627739205956459, 'pitch': 5.844776630401611}, {'text': 'デ', 'consonant': 'd', 'consonant_length': 0.05031651258468628, 'vowel': 'e', 'vowel_length': 0.0876912847161293, 'pitch': 5.58236837387085}, {'text': 'ス', 'consonant': 's', 'consonant_length': 0.07036545127630234, 'vowel': 'U', 'vowel_length': 0.11378927528858185, 'pitch': 0.0}], 'accent': 1, 'pause_mora': None, 'is_interrogative': False}], 'speedScale': 1.0, 'pitchScale': 0.0, 'intonationScale': 1.0, 'volumeScale': 1.0, 'prePhonemeLength': 0.1, 'postPhonemeLength': 0.1, 'outputSamplingRate': 24000, 'outputStereo': False, 'kana': "コレワ'/テ'_ストデ_ス"}
200

カレントにtest.wavができていて、つくよみちゃんの声で再生されれば成功。