SSML i TTS - Jak stworzyć realistyczną mowę z tekstu przy pomocy AI

<prosody rate="90%" pitch="-1st" volume="-2dB">
  Powolna, niska i cicha wypowiedź
</prosody>

<emphasis level="strong">To jest bardzo ważne!</emphasis>

Pierwsza myśl.<break time="1s"/>Druga myśl po pauzie.

import fs from 'fs'
import fetch from 'node-fetch'

const apiKey = 'TWÓJ_KLUCZ_API_KTÓRY_NIE_POWINIEN_BYĆ_JAWNY_W_KODZIE' // Użyj zmiennych środowiskowych!
const text = `
<speak>
  <prosody rate="95%" pitch="+1st">
    <emphasis level="strong">Był świt.</emphasis>
    <break time="1s"/>
    Miasto jeszcze spało, ale gdzieś daleko...
    <emphasis level="moderate">coś się budziło.</emphasis>
  </prosody>

  <break time="1200ms"/>

  <prosody rate="90%" pitch="-1st">
    W cieniu wieżowców, pośród deszczu i ciszy, 
    ktoś postawił pierwszy krok.
    <break time="600ms"/>
    Wiedział, że nie ma już odwrotu.
  </prosody>

  <break time="1.3s"/>

  <prosody pitch="+3st" rate="97%" volume="+2dB">
    Głos w jego głowie szeptał:
    <break time="400ms"/>
    <emphasis level="strong">"To dopiero początek..."</emphasis>
  </prosody>

  <break time="1.5s"/>

  <prosody rate="102%" pitch="+1st" volume="+4dB">
    A potem...
    <break time="500ms"/>
    wszystko eksplodowało dźwiękiem, światłem i ruchem.
  </prosody>

  <break time="1s"/>

  <prosody rate="90%" pitch="-2st" volume="-2dB">
    I tylko on został w ciszy, słuchając echa własnych myśli.
  </prosody>

  <break time="1.2s"/>

  <prosody rate="98%" pitch="+1st" volume="+1dB">
    <emphasis level="strong">To był moment, w którym świat się przebudził.</emphasis>
  </prosody>
</speak>
`

// Główna funkcja do generowania mowy z API GCP
async function generateSpeech() {
  try {
    const response = await fetch(
      `https://texttospeech.googleapis.com/v1/text:synthesize?key=${apiKey}`,
      {
        method: 'POST',
        headers: { 'Content-Type': 'application/json' },
        body: JSON.stringify({
          input: { ssml: text },
          voice: {
            languageCode: 'pl-PL',
            name: 'pl-PL-Standard-B', // przykładowo
          },
          audioConfig: {
            audioEncoding: 'MP3',
            speakingRate: 1.0,
            pitch: 0.0,
          },
        }),
      }
    )

    const data = await response.json()

    if (!data.audioContent) {
      console.error('Coś poszło nie tak... ;/ ', data)
      return
    }

    // Tu zapiszemy plik jako Mp3
    const audio = Buffer.from(data.audioContent, 'base64')
    fs.writeFileSync('speech.mp3', audio)
    console.log('Plik speech.mp3 zapisany! ')
  } catch (error) {
    console.error('❌błąd:', error)
  }
}

generateSpeech()