Google Cloud 文本转语音界面混乱（如何下载 mp3 文件？）

我想以这样的事实作为序言：我不是程序员/开发人员 - 我是多媒体设计师。我使用文本转语音来生成占位符音频文件，这些文件可用于在录制官方音频旁白之前为动画计时。

之前我使用的是 Amazon Polly，但我想尝试一下 Google Cloud。然而，我实际上最难弄清楚如何生成 mp3 文件并保存它们。

使用 Amazon Polly，您只需访问网站，在字段中输入文本，然后单击按钮，它就会将您的文件保存为 mp3 文件。对于 Google Cloud，情况似乎比这复杂得多。 “快速入门”指南让我启用 API、下载 JSON 文件、设置环境凭据、初始化 SDK 以及在命令提示符中输入代码。

我在其文档页面上阅读的每一个指南似乎都不可避免地引导我进入我根本不理解的步骤。我讨厌听起来像个彻头彻尾的小丑，但这似乎有点超出我的理解范围。我不想创建软件或将机器学习集成到网站中，我只是想输入几行文本并生成 mp3 文件。

有没有办法用谷歌云来做到这一点？启动页面（https://cloud.google.com/text-to-speech/ https://cloud.google.com/text-to-speech/）提供的正是我想要的，但没有下载文件的选项，只能预览它们。

预先感谢您为这个新手提供的任何帮助。

所有 Google 的 ML 相关工具的“普通用户”用户体验都相当差，而且都是专门为编程使用而设计的。如果您只是在寻找一些具有合理良好用途的基本工具，那么目前 GCP 可能不是。

鉴于此，如果您愿意在开始时付出一些努力，那么将这些样本变成更多的东西并不困难。我建议使用此处描述的命令行。 https://cloud.google.com/text-to-speech/docs/quickstart-client-libraries

我将添加一些初始步骤。 1）下载并设置 Gcloud SDK 工具。 https://cloud.google.com/sdk/install2）在终端运行gcloud auth application-default login。这将打开一个浏览器，像登录 GCP Console 一样登录。 3）他们提供了通用文件的示例请求：

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
  -H "Content-Type: application/json; charset=utf-8" \
  --data "{
    'input':{
      'text':'Android is a mobile operating system developed by Google,
         based on the Linux kernel and designed primarily for
         touchscreen mobile devices such as smartphones and tablets.'
    },
    'voice':{
      'languageCode':'en-gb',
      'name':'en-GB-Standard-A',
      'ssmlGender':'FEMALE'
    },
    'audioConfig':{
      'audioEncoding':'MP3'
    }
  }" "https://texttospeech.googleapis.com/v1/text:synthesize" > synthesize-text.txt

这就是我所说的体验不佳的意思，代码https://texttospeech.googleapis.com/v1/text:synthesize" > synthesize-text.txt将文本转语音操作的结果写入synthesize-text.txt，txt里面就是你的mp3文件。但是等等，他们希望您以编程方式使用它，因此 MP3 不仅仅是一个直接文件，您可能想用它做其他事情，因此它以名为 Base64 的编码返回，这使得通过 http 使用二进制数据变得更容易（其中文本最常见）。因此，您得到的不是 mp3，而是 json 文件，例如：

{“音频内容”： “//NExAASCCIIAAhEAGAAEMW4kAYPnwwIKw/BBTpwTvB+IAxIfghUfW..”}

以 // 开头的文本是您的音频。但是因为您是手动执行此操作，所以您需要将引号内的所有内容（这将是一串以 //... 开头的非常长的文本字符，保留 // 字符）复制到一个名为任何您想要的文件的新文件中，他们将其命名为“synthesize-output-base64.txt”。然后运行base64 synthesize-output-base64.txt --decode > synthesized-audio.mp3

你就完成了......原始请求让你指定文本、语音等。但实际上，如果你正在寻找具有漂亮 UI 的休闲文本到语音转换功能，GCP 还没有。