Hugging Face's logo

Spaces:
tbdavid2019
/
PDF2podcast-2-tts
Build error

App Files Community
PDF2podcast-2-tts / README.md
tbdavid2019's picture
tbdavid2019
api 調用
b650788
preview code
|
raw
history blame contribute delete
12.9 kB

A newer version of the Gradio SDK is available: 6.14.0

Upgrade
metadata 
title: PDF2podcast 2 TTS
emoji: 💻
colorFrom: indigo
colorTo: red
sdk: gradio
sdk_version: 6.1.0
app_file: app.py
pinned: false
short_description: 多語言 TTS 語音合成器 - 支援 OpenAI/Gemini/AWS Polly/台語

TTS Generator (多語言語音合成器)

支援 OpenAI TTS、Gemini TTS、AWS Polly 與 台語 TTS 的多功能語音合成應用程式。可將文字腳本轉換為自然流暢的語音，支援雙說話者對話，適合製作播客、有聲書或對話式內容。

✨ 核心功能

  • 🎯 四大 TTS 引擎：OpenAI、Gemini、AWS Polly、台語 TTS 自由切換
  • 🎙️ 雙說話者對話：OpenAI 與 Gemini 支援分別指定男女聲音
  • 🔄 智能腳本處理：自動合併相同說話者連續文本，減少 API 調用
  • 🎛️ 豐富聲音庫：OpenAI 8種、Gemini 6種、Polly 中文女聲、台語女聲
  • 🎭 語氣控制：OpenAI 支援自訂語氣指示（活潑、嚴肅、溫柔等）
  • 🌐 直覺介面：Gradio 網頁界面，依選擇的 TTS 自動顯示對應欄位
  • 🔊 音量調整：內建音量增益（0-20 dB）
  • 💾 自動管理：臨時檔案 24 小時自動清理
  • 🔑 多種認證：支援環境變數或介面輸入 API Key

🚀 快速開始

前置需求

  • Python 3.10+
  • 至少一組 TTS 服務的憑證（擇一即可）：
    • OpenAI：OPENAI_API_KEY
    • Gemini：GEMINI_API_KEY
    • AWS Polly：AWS_ACCESS_KEY_ID、AWS_SECRET_ACCESS_KEY、AWS_REGION
    • 台語 TTS：免金鑰

安裝 

# 1. 克隆專案
git clone <repository_url>
cd PDF2podcast-2-tts

# 2. 安裝依賴
pip install -r requirements.txt

# 3. （選用）配置環境變數
cp .env.example .env
nano .env  # 填入您的 API 金鑰

啟動應用 

python app.py

開啟瀏覽器訪問 http://127.0.0.1:7860

📝 使用指南

腳本格式 

speaker-1: 歡迎來到 Podcast，我是主持人。
speaker-2: 大家好，很高興來到這裡。
沒有標記的行將使用說話者1的聲音。
speaker-1: 今天我們要聊...

提示：相同說話者的連續段落會自動合併處理。

TTS 服務選擇

服務 特色 雙說話者 中文支援 費用
OpenAI 8種聲音、語氣控制 ✅ 獨立聲音 優秀 按字計費
Gemini 6種聲音、中文清晰 ✅ 獨立聲音 最佳 按字計費
AWS Polly Zhiyu 女聲 ⚠️ 共用女聲 優秀 按字計費
台語 TTS model6 女聲 ⚠️ 共用女聲 台語專用 免費

🎤 聲音選項參考

OpenAI TTS 聲音

聲音 特色 適合場景
alloy 中性平衡 通用對話
echo 低沉男聲 旁白/正式說明
fable 溫暖敘事 故事/有聲書
onyx 清晰沉穩男聲 說明/主持
nova 友好女聲 對話互動
shimmer 柔和女聲 客服/陪伴
coral 活潑女聲 行銷/短視頻
sage 成熟男聲 新聞/解說

模型選擇：

  • gpt-4o-mini-tts：平價推薦
  • gpt-4o-audio-preview：最新版本
  • tts-1：標準版
  • tts-1-hd：高清版

Gemini TTS 聲音

聲音 特色 中文支援 建議
Puck 自然中音、對話感強 ⭐⭐⭐ 咬字清楚 男聲首選
Aoede 清晰女聲 ⭐⭐⭐ 咬字清楚 女聲首選
Charon 低沉穩重、權威感 ⭐⭐ 新聞/嚴肅
Fenrir 高亢有活力 ⚠️ 語速不穩 避免用於中文
Alnilam/Algieba 舊版代號 - 建議用新聲音

中文最佳組合：Puck (男) + Aoede (女)

AWS Polly 中文聲音

  • Zhiyu：唯一中文女聲（neural 引擎），雙說話者共用

台語 TTS

  • model6：唯一台語女聲，免金鑰，雙說話者共用

🎭 語氣控制範例（OpenAI 專用） 

保持活潑愉快的語氣        → 輕鬆對話/娛樂
用專業嚴肅的口吻說話      → 新聞/正式場合
以熱情洋溢的方式表達      → 激勵演講/促銷
用溫柔平和的語調          → 冥想/睡前故事
保持中性客觀的態度        → 教育/說明文

🔌 API 服務（進階）

本專案提供 FastAPI REST API，支援所有 4 種 TTS provider，可供程式化調用。

啟動 API 服務 

python api.py
# 訪問 http://localhost:8000/docs 查看 Swagger 互動文檔

核心端點

端點 方法 說明
/generate-audio POST 生成語音音頻
/options GET 查詢所有 provider 的可用選項
/audio/{filename} GET 下載已生成的音頻文件
/health GET API 健康檢查

📌 OpenAI TTS 調用 

curl -X POST "http://localhost:8000/generate-audio" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "speaker-1: 歡迎收聽！\nspeaker-2: 很高興來到這裡。",
    "provider": "openai",
    "api_key": "sk-...",
    "speaker1_voice": "onyx",
    "speaker2_voice": "nova",
    "speaker1_instructions": "保持活潑愉快的語氣",
    "volume_boost": 6.0
  }' --output audio.mp3

Python 範例：

import requests

response = requests.post(
    "http://localhost:8000/generate-audio",
    json={
        "script": "speaker-1: 你好！\nspeaker-2: 你好啊！",
        "provider": "openai",
        "api_key": "your_openai_api_key",
        "model": "gpt-4o-mini-tts",
        "speaker1_voice": "onyx",
        "speaker2_voice": "nova"
    }
)

with open("output.mp3", "wb") as f:
    f.write(response.content)

📌 Gemini TTS 調用 

curl -X POST "http://localhost:8000/generate-audio" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "speaker-1: 你好！\nspeaker-2: 你好啊！",
    "provider": "gemini",
    "gemini_api_key": "your_gemini_api_key",
    "gemini_male_voice": "Puck",
    "gemini_female_voice": "Aoede",
    "volume_boost": 6.0
  }' --output audio.mp3

Python 範例：

response = requests.post(
    "http://localhost:8000/generate-audio",
    json={
        "script": "speaker-1: 今天天氣真好！\nspeaker-2: 是啊，適合出去走走。",
        "provider": "gemini",
        "gemini_api_key": "your_gemini_key",
        "gemini_male_voice": "Puck",
        "gemini_female_voice": "Aoede"
    }
)

with open("gemini_audio.mp3", "wb") as f:
    f.write(response.content)

📌 AWS Polly 調用 

curl -X POST "http://localhost:8000/generate-audio" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "speaker-1: 你好！\nspeaker-2: 你好啊！",
    "provider": "polly",
    "aws_access_key": "your_access_key",
    "aws_secret_key": "your_secret_key",
    "aws_region": "ap-northeast-1",
    "polly_voice": "Zhiyu",
    "volume_boost": 6.0
  }' --output audio.mp3

Python 範例：

response = requests.post(
    "http://localhost:8000/generate-audio",
    json={
        "script": "speaker-1: 歡迎使用 AWS Polly！",
        "provider": "polly",
        "aws_access_key": "your_key",
        "aws_secret_key": "your_secret",
        "aws_region": "ap-northeast-1",
        "polly_voice": "Zhiyu"
    }
)

with open("polly_audio.mp3", "wb") as f:
    f.write(response.content)

📌 台語 TTS 調用（免金鑰） 

curl -X POST "http://localhost:8000/generate-audio" \
  -H "Content-Type: application/json" \
  -d '{
    "script": "speaker-1: 你好！\nspeaker-2: 你好啊！",
    "provider": "taiwanese",
    "tai_model": "model6",
    "volume_boost": 6.0
  }' --output audio.mp3

Python 範例：

response = requests.post(
    "http://localhost:8000/generate-audio",
    json={
        "script": "speaker-1: 今仔日天氣真好！",
        "provider": "taiwanese",
        "tai_model": "model6"
    }
)

with open("taiwanese_audio.mp3", "wb") as f:
    f.write(response.content)

🔄 返回 URL 模式

設定 return_url: true 可獲取音頻 URL 而非直接下載：

response = requests.post(
    "http://localhost:8000/generate-audio",
    json={
        "script": "speaker-1: 測試音頻。",
        "provider": "openai",
        "api_key": "sk-...",
        "return_url": True
    }
)

result = response.json()
print(result)
# {
#   "status": "success",
#   "provider": "openai",
#   "audio_url": "/audio/tmpXXX.mp3",
#   "logs": ["[speaker-1] 測試音頻。", ...]
# }

# 下載音頻
audio_url = f"http://localhost:8000{result['audio_url']}"
audio = requests.get(audio_url)
with open("audio.mp3", "wb") as f:
    f.write(audio.content)

📊 查詢可用選項 

curl http://localhost:8000/options

回應範例：

{
  "providers": ["openai", "gemini", "polly", "taiwanese"],
  "openai": {
    "models": ["gpt-4o-mini-tts", "gpt-4o-audio-preview", "tts-1", "tts-1-hd"],
    "voices": ["alloy", "echo", "fable", "onyx", "nova", "shimmer", "coral", "sage"]
  },
  "gemini": {
    "voices": ["Puck", "Charon", "Kore", "Fenrir", "Aoede", "Alnilam", "Algieba"]
  },
  "polly": {
    "voices": ["Zhiyu"]
  },
  "taiwanese": {
    "models": ["model6"]
  }
}

🔑 API 參數總覽

參數 類型 必填 預設 說明
通用參數
script string ✅ - 對話腳本（支援 speaker-1/speaker-2 標記）
provider string - openai TTS 服務商：openai/gemini/polly/taiwanese
volume_boost float - 6.0 音量增益 (0-20 dB)
return_url boolean - false 是否返回 URL 而非直接下載
OpenAI 專用
api_key string - 環境變數 OpenAI API Key
model string - gpt-4o-mini-tts 模型名稱
speaker1_voice string - onyx 說話者1聲音
speaker2_voice string - nova 說話者2聲音
speaker1_instructions string - "保持活潑愉快的語氣" 說話者1語氣指示
speaker2_instructions string - "保持活潑愉快的語氣" 說話者2語氣指示
Gemini 專用
gemini_api_key string - 環境變數 Gemini API Key
gemini_male_voice string - Puck 男聲選項
gemini_female_voice string - Aoede 女聲選項
AWS Polly 專用
aws_access_key string - 環境變數 AWS Access Key ID
aws_secret_key string - 環境變數 AWS Secret Access Key
aws_region string - ap-northeast-1 AWS 區域
polly_voice string - Zhiyu Polly 聲音（僅 Zhiyu）
台語 TTS 專用
tai_model string - model6 台語模型（僅 model6）

🛠️ API 文檔

啟動服務後可訪問：

🛠️ 技術架構 

├── app.py                 # Gradio 網頁介面主程式
├── api.py                 # FastAPI REST API 服務
├── requirements.txt       # Python 依賴套件
├── .env                   # 環境變數配置（需自行建立）
└── temp_audio/            # 臨時音頻存放（自動清理）

核心依賴

套件 用途
gradio 網頁 UI 框架
openai OpenAI TTS 客戶端
google-genai Gemini TTS 客戶端
boto3 AWS Polly 客戶端
requests 台語 TTS HTTP 請求
pydub 音頻處理與合併
fastapi + uvicorn API 服務框架

⚠️ 注意事項

費用相關

  • OpenAI：依字符計費，詳見 價格表
  • Gemini：依字符計費，需 Google Cloud 帳號
  • AWS Polly：依字符計費，免費額度：每月 500 萬字符（新用戶 12 個月）
  • 台語 TTS：免費（公益服務）

限制說明

  • Polly / 台語：僅單一女聲，雙說話者會共用同一聲音
  • Gemini Fenrir：中文語速不穩定，建議避免
  • 臨時檔案：24 小時後自動清除
  • Hugging Face Spaces：部署時自動啟動 app.py

環境變數設定

在 .env 檔案中配置（選填）：

OPENAI_API_KEY=sk-...
GEMINI_API_KEY=...
AWS_ACCESS_KEY_ID=...
AWS_SECRET_ACCESS_KEY=...
AWS_REGION=ap-northeast-1

📄 授權

本專案從 tbdavid2019/PDF2podcast 拆分而來，保留原專案授權條款。

開發者：tbdavid2019 專案目的：提供多語言、多引擎的 TTS 語音合成解決方案