用 Gemini TTS 生成音频故事

news2026/4/27 8:17:25
我目前正在做一个关于语言学习的副项目。主要功能包括使用 AI 生成内容以及将文本转换为音频文件。为了存储音频文件我还需要云存储。成本是我的首要考虑因素因为我认为在云平台之间切换不会太困难。最终我选择了 Google Gemini、Google TTS 和 Cloudflare R2。它们提供了 API 文档和示例但我发现有些部分不够完善所以我决定写一篇文章来分享。我使用的是 Go 语言本文只涵盖基本用法。对于 Google Gemini 和 TTS我使用 RESTful API。虽然它们提供了库但我发现使用 RESTful API 比设置库更方便。1. Google Geminipackage api import ( bytes encoding/json fmt io net/http github.com/spf13/viper ) type Part struct { Text string json:text } type Content struct { Parts []Part json:parts } type Candidates struct { Content Content json:content } type PromptResult struct { Candidates []Candidates json:candidates } func Prompt(prompt string) (*PromptResult, error) { // I use viper to manage environment variables, you can replace this with your api key. url : fmt.Sprintf(https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key%s, viper.Get(GOOGLE_CLOUD_API_KEY)) // In this example, it sends only one prompt but you can send more information data, err : json.Marshal(map[string]interface{}{ contents: []map[string]interface{}{{ parts: []map[string]interface{}{{ text: prompt, }}, }}, }) if err ! nil { return nil, err } req, err : http.NewRequest(POST, url, bytes.NewBuffer(data)) if err ! nil { return nil, err } req.Header.Add(Content-Type, application/json) // Request the API res, err : http.DefaultClient.Do(req) if err ! nil { return nil, err } defer res.Body.Close() resBody, err : io.ReadAll(res.Body) if err ! nil { return nil, err } var promptResult PromptResult // Parse the result err json.Unmarshal(resBody, promptResult) if err ! nil { return nil, err } return promptResult, nil }package main import ( fmt github.com/hsk-kr/tutorial/lib/api github.com/spf13/viper ) func main() { viper.SetConfigFile(.env) viper.ReadInConfig() promptResult, _ : api.Prompt(Generate a short story for kids) fmt.Println(promptResult.Candidates[0].Content.Parts[0].Text) }您可以在以下链接找到有关 API 的更多详细信息https://ai.google.dev/gemini-api/docs。在此示例中发送了一个提示并接收了响应。响应包含的内容不仅仅是文本但为了简单起见我定义的结构体只处理文本并将其打印到控制台。我使用 Viper 来管理环境变量但您可以通过将 API 密钥替换为您自己的来测试代码。2. Google TTSpackage api import ( bytes encoding/base64 encoding/json errors fmt io net/http strings github.com/spf13/viper ) type Voice struct { LanguageCodes []string json:languageCodes Name string json:name SsmlGender Gender json:ssmlGender // MALE or FEMALE NaturalSampleRateHertz int json:naturalSampleRateHertz } type VoiceSelectionParam struct { LanguageCode string json:languageCode Name string json:name SsmlGender Gender json:ssmlGender } type VoicesResponse struct { Voices []Voice json:voices } type AudioEncoding string type Gender string const ( MALE Gender MALE FEMALE Gender FEMALE ) const ( LINEAR16 AudioEncoding LINEAR16 MP3 AudioEncoding MP3 OGG_OPUS AudioEncoding OGG_OPUS MULAW AudioEncoding MULAW ALAW AudioEncoding ALAW ) func convertVoiceToVoiceSelectionParam(voice Voice) (*VoiceSelectionParam, error) { voiceSelectionParam : new(VoiceSelectionParam) if voice.LanguageCodes nil || len(voice.LanguageCodes) 0 { return nil, errors.New(Empty LanguageCodes) } voiceSelectionParam.LanguageCode voice.LanguageCodes[0] voiceSelectionParam.Name voice.Name voiceSelectionParam.SsmlGender voice.SsmlGender return voiceSelectionParam, nil } func GetVoiceList(languageCode string) ([]Voice, error) { url : fmt.Sprintf(https://texttospeech.googleapis.com/v1/voices?languageCode%skey%s, languageCode, viper.GetString(GOOGLE_CLOUD_API_KEY)) req, err : http.NewRequest(GET, url, nil) if err ! nil { return nil, err } req.Header.Add(Content-Type, application/json) res, err : http.DefaultClient.Do(req) if err ! nil { return nil, err } defer res.Body.Close() resBody, err : io.ReadAll(res.Body) if err ! nil { return nil, err } var voicesRes VoicesResponse err json.Unmarshal(resBody, voicesRes) if err ! nil { return nil, err } return voicesRes.Voices, nil } func ConvertTextToAudio(input string, voice Voice) ([]byte, error) { url : fmt.Sprintf(https://texttospeech.googleapis.com/v1/text:synthesize?key%s, viper.GetString(GOOGLE_CLOUD_API_KEY)) voiceSelectionParam, err : convertVoiceToVoiceSelectionParam(voice) if err ! nil { return nil, err } data, err : json.Marshal(map[string]interface{}{ input: map[string]string{text: input}, voice: voiceSelectionParam, audioConfig: map[string]string{audioEncoding: string(OGG_OPUS)}, }) if err ! nil { return nil, err } req, err : http.NewRequest(POST, url, bytes.NewBuffer(data)) if err ! nil { return nil, err } req.Header.Add(Content-Type, application/json) res, err : http.DefaultClient.Do(req) if err ! nil { return nil, err } defer res.Body.Close() body, err : io.ReadAll(res.Body) if err ! nil { return nil, err } var result map[string]interface{} if err : json.Unmarshal(body, result); err ! nil { return nil, err } audioContent, ok : result[audioContent].(string) if !ok { return nil, fmt.Errorf(No audio content found in response) } audioData, err : base64.StdEncoding.DecodeString(audioContent) if err ! nil { return nil, err } return audioData, nil } func getFirstXVoice(voices []Voice, strToFind string, gender Gender) *Voice { for i, v : range voices { if strings.Contains(strings.ToLower(v.Name), strToFind) v.SsmlGender gender { return voices[i] } } return nil } func GetFirstStandardVoice(voices []Voice, gender Gender) *Voice { return getFirstXVoice(voices, standard, gender) } func GetFirstWavenetVoice(voices []Voice, gender Gender) *Voice { return getFirstXVoice(voices, wavenet, gender) } func GetFirstNeuralVoice(voices []Voice, gender Gender) *Voice { return getFirstXVoice(voices, neural, gender) }package main import ( fmt os github.com/hsk-kr/tutorial/lib/api github.com/spf13/viper ) func main() { viper.SetConfigFile(.env) viper.ReadInConfig() voices, _ : api.GetVoiceList(en-US) voice : api.GetFirstWavenetVoice(voices, MALE) bAudio, _ : api.ConvertTextToAudio(By the way, I am using neovim., *voice) os.WriteFile(./audio.opus, bAudio, 0644) }运行程序后您会在同一目录下找到名为 audio.opus 的音频文件。共有三个函数GetVoiceList– 获取 API 支持的语音列表。GetFirstWavenetVoice– 截至 2025 年 2 月 27 日共有三种类型的语音wavenet、standard 和 neural。每种类型包含多个语音但由于这不是我的优先考虑我创建了一个函数来简单地获取给定类型的第一个语音。ConvertTextToAudio– 以文本和语音作为参数返回结果为 []byte。该函数请求 OGG_OPUS 格式的音频文件因为我计划在 Web 环境中使用它。但是您可以使用任何支持的格式。如果您仔细阅读文档可能会发现它缺少一些重要的细节。例如我遇到了 audio_encoding 参数想检查支持哪些格式但没有找到直接链接到该信息的页面。我认为文档可以改进——当我搜索音频编码文档的链接时一无所获只有纯黑色文本。最终我通过在文档顶部手动搜索找到了该文档。3. Cloudflare R2package api import ( bytes context errors fmt time github.com/aws/aws-sdk-go-v2/aws github.com/aws/aws-sdk-go-v2/config github.com/aws/aws-sdk-go-v2/credentials github.com/aws/aws-sdk-go-v2/feature/s3/manager github.com/aws/aws-sdk-go-v2/service/s3 github.com/google/uuid github.com/spf13/viper ) type Storage struct { client *s3.Client uploader *manager.Uploader bucketName string } func (s *Storage) Init() error { cfg, err : config.LoadDefaultConfig(context.TODO(), config.WithCredentialsProvider(credentials.NewStaticCredentialsProvider(viper.GetString(CLOUDFLARE_R2_ACCESS_KEY_ID), viper.GetString(CLOUDFLARE_R2_SECRET_ACCESS_KEY), )), config.WithRegion(auto), ) if err ! nil { return err } s.bucketName viper.GetString(CLOUDFLARE_R2_BUCKET_NAME) s.client s3.NewFromConfig(cfg, func(o *s3.Options) { o.BaseEndpoint aws.String(fmt.Sprintf(https://%s.r2.cloudflarestorage.com, viper.GetString(CLOUDFLARE_R2_ACCOUNT_ID))) }) s.uploader manager.NewUploader(s.client) return nil } func (s *Storage) Put(data []byte) (string, error) { if s.client nil { return , errors.New(client is nil) } objectKey, err : uuid.NewUUID() if err ! nil { return , err } bucket : aws.String(s.bucketName) key : aws.String(objectKey.String()) ctx : context.Background() input : s3.PutObjectInput{ Bucket: bucket, Key: key, Body: bytes.NewReader(data), } output, err : s.uploader.Upload(ctx, input) if err ! nil { return , err } err s3.NewObjectExistsWaiter(s.client).Wait(ctx, s3.HeadObjectInput{ Bucket: bucket, Key: key, }, time.Minute) if err ! nil { return , err } return *output.Key, nil }package main import ( github.com/tutorial/justsayit/lib/api github.com/spf13/viper ) func main() { viper.SetConfigFile(.env) viper.ReadInConfig() voices, _ : api.GetVoiceList(en-US) voice : api.GetFirstWavenetVoice(voices, MALE) bAudio, _ : api.ConvertTextToAudio(By the way, I am using neovim., *voice) storage : new(api.Storage) storage.Init() storage.Put(bAudio) }Cloudflare R2 类似于 Amazon S3因此您可以使用 AWS S3 库来操作其 API。您可以在 AWS 文档中找到更多示例https://docs.aws.amazon.com/code-library/latest/ug/go_2_s3_code_examples.html。由于在将对象上传到云端之前需要创建一些实例我在结构体中定义了必要的方法。运行程序后您应该能看到对象成功上传到 Cloudflare。为了测试音频文件是否能在 Web 环境中正确加载我将对象 URL 放在了标签中——但没有起作用。原来即使我已将文件设置为公开访问仍然需要使用代理来访问它。从安全角度来看这是合理的因为必须在设置中明确允许访问。如果您想临时访问文件进行测试可以启用开发模式并使用开发链接。4. 最终代码package main import ( github.com/tutorial/justsayit/lib/api github.com/spf13/viper ) func main() { viper.SetConfigFile(.env) viper.ReadInConfig() promptResult, _ : api.Prompt(Say something short in German) generatedText : promptResult.Candidates[0].Content.Parts[0].Text voices, _ : api.GetVoiceList(de-DE) voice : api.GetFirstWavenetVoice(voices, MALE) bAudio, _ : api.ConvertTextToAudio(generatedText, *voice) storage : new(api.Storage) storage.Init() storage.Put(bAudio) }这就是最终代码使用 Google Gemini 生成文本将文本转换为音频文件并将音频文件存储在云平台中。原文链接用 Gemini TTS 生成音频故事 - 汇智网

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2539459.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…