GSP222

Descripción general

La API de Text-to-Speech te permite crear archivos de audio de voz humana generada por máquina o sintética. Proporcionas el contenido como texto o lenguaje de marcado de síntesis de voz (SSML), especificas una voz (un “orador” único de un idioma con un tono y acento distintivos) y configuras la salida. La API de Text-to-Speech te devuelve el contenido que enviaste como datos de audio en forma de palabras habladas, entregados por la voz que especificaste.

En este lab, usarás la API de Text-to-Speech para crear una serie de archivos de audio y, luego, los escucharás para comparar las diferencias.

Qué aprenderás

En este lab, usarás la API de Text-to-Speech para hacer lo siguiente:

• Crear una serie de archivos de audio
• Escuchar y comparar archivos de audio
• Configurar la salida de audio

Configuración y requisitos

Antes de hacer clic en el botón Comenzar lab

Lee estas instrucciones. Los labs cuentan con un temporizador que no se puede pausar. El temporizador, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.

Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que utilizarás para acceder a Google Cloud durante todo el lab.

Para completar este lab, necesitarás lo siguiente:

• Acceso a un navegador de Internet estándar. Se recomienda el navegador Chrome.

Nota: Usa una ventana del navegador privada o de incógnito (opción recomendada) para ejecutar el lab. Así evitarás conflictos entre tu cuenta personal y la cuenta de estudiante, lo que podría generar cargos adicionales en tu cuenta personal.

• Tiempo para completar el lab (recuerda que, una vez que comienzas un lab, no puedes pausarlo).

Nota: Usa solo la cuenta de estudiante para este lab. Si usas otra cuenta de Google Cloud, es posible que se apliquen cargos a esa cuenta.

Cómo iniciar tu lab y acceder a la consola de Google Cloud

1. Haz clic en el botón Comenzar lab. Si debes pagar por el lab, se abrirá un diálogo para que selecciones la forma de pago. A la izquierda, se encuentra el panel Detalles del lab, que tiene estos elementos:

   • El botón para abrir la consola de Google Cloud
   • El tiempo restante
   • Las credenciales temporales que debes usar para el lab
   • Otra información para completar el lab, si es necesaria

2. Haz clic en Abrir la consola de Google Cloud (o haz clic con el botón derecho y selecciona Abrir el vínculo en una ventana de incógnito si ejecutas el navegador Chrome).

   El lab inicia recursos y abre otra pestaña en la que se muestra la página de acceso.

   Sugerencia: Ordena las pestañas en ventanas separadas, una junto a la otra.

   Nota: Si ves el diálogo Elegir una cuenta, haz clic en Usar otra cuenta.

3. De ser necesario, copia el nombre de usuario a continuación y pégalo en el diálogo Acceder.

   {{{user_0.username | "Username"}}}

   También puedes encontrar el nombre de usuario en el panel Detalles del lab.

4. Haz clic en Siguiente.

5. Copia la contraseña que aparece a continuación y pégala en el diálogo Te damos la bienvenida.

   {{{user_0.password | "Password"}}}

   También puedes encontrar la contraseña en el panel Detalles del lab.

6. Haz clic en Siguiente.

   Importante: Debes usar las credenciales que te proporciona el lab. No uses las credenciales de tu cuenta de Google Cloud. Nota: Usar tu propia cuenta de Google Cloud para este lab podría generar cargos adicionales.

7. Haz clic para avanzar por las páginas siguientes:

   • Acepta los Términos y Condiciones.
   • No agregues opciones de recuperación o autenticación de dos factores (esta es una cuenta temporal).
   • No te registres para obtener pruebas gratuitas.

Después de un momento, se abrirá la consola de Google Cloud en esta pestaña.

Nota: Para acceder a los productos y servicios de Google Cloud, haz clic en el menú de navegación o escribe el nombre del servicio o producto en el campo Buscar.

Activa Cloud Shell

Cloud Shell es una máquina virtual que cuenta con herramientas para desarrolladores. Ofrece un directorio principal persistente de 5 GB y se ejecuta en Google Cloud. Cloud Shell proporciona acceso de línea de comandos a tus recursos de Google Cloud.

1. Haz clic en Activar Cloud Shell en la parte superior de la consola de Google Cloud.

2. Haz clic para avanzar por las siguientes ventanas:

   • Continúa en la ventana de información de Cloud Shell.
   • Autoriza a Cloud Shell para que use tus credenciales para realizar llamadas a la API de Google Cloud.

Cuando te conectes, habrás completado la autenticación, y el proyecto estará configurado con tu Project_ID, . El resultado contiene una línea que declara el Project_ID para esta sesión:

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud es la herramienta de línea de comandos de Google Cloud. Viene preinstalada en Cloud Shell y es compatible con la función de autocompletado con tabulador.

3. Puedes solicitar el nombre de la cuenta activa con este comando (opcional):

gcloud auth list

4. Haz clic en Autorizar.

Resultado:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. Puedes solicitar el ID del proyecto con este comando (opcional):

gcloud config list project

Resultado:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Nota: Para obtener toda la documentación de gcloud, en Google Cloud, consulta la guía con la descripción general de gcloud CLI.

Establece la región para tu proyecto

En Cloud Shell, ingresa el siguiente comando para establecer la región en la que se ejecutará tu proyecto en este lab:

gcloud config set compute/region {{{project_0.default_region | Region}}}

Tarea 1: Habilita la API de Text‑to‑Speech

La página de la API de Cloud Text-to-Speech muestra detalles, métricas y más.

Habilita la API:

1. En el menú de navegación (), haz clic en APIs y servicios > Biblioteca.

2. Escribe text-to-speech en el cuadro Buscar APIs y servicios y, luego, haz clic en API de Cloud Text-to-Speech en los resultados de la búsqueda.

3. Haz clic en Habilitar para habilitar la API de Cloud Text-to-Speech.

Espera unos segundos para que la API se habilite en el proyecto.

Haz clic en Revisar mi progreso para verificar el objetivo. Habilitar la API de Text‑to‑Speech

Tarea 2: Crea un entorno virtual

Se utilizan entornos virtuales de Python para aislar del sistema la instalación de paquetes.

1. Instala el entorno virtualenv:

sudo apt-get install -y virtualenv

2. Crea el entorno virtual:

python3 -m venv venv

3. Activa el entorno virtual:

source venv/bin/activate

Tarea 3: Crea una cuenta de servicio

Usas una cuenta de servicio para autenticar tus llamadas a la API de Text-to-Speech.

Crea una cuenta de servicio:

1. Ejecuta el siguiente comando en Cloud Shell:

gcloud iam service-accounts create tts-qwiklab

2. Genera una clave para usar esa cuenta de servicio:

gcloud iam service-accounts keys create tts-qwiklab.json --iam-account tts-qwiklab@{{{project_0.project_id | Project ID}}}.iam.gserviceaccount.com

3. Por último, establece la variable de entorno GOOGLE_APPLICATION_CREDENTIALS en la ubicación de tu archivo de claves:

export GOOGLE_APPLICATION_CREDENTIALS=tts-qwiklab.json

Haz clic en Revisar mi progreso para verificar el objetivo. Crear una cuenta de servicio

Tarea 4: Obtén una lista de las voces disponibles

La API de Text-to-Speech proporciona diferentes voces y lenguajes que puedes usar para crear archivos de audio. Puedes usar cualquiera de las voces disponibles como orador para tu contenido.

Nota: La API de Text-to-Speech incluye varias voces premium, conocidas como voces WaveNet, que generan una voz sintética con un sonido más natural. Estas voces también son un poco más caras que otras disponibles. Consulta la página de precios de Cloud Text-to-Speech para obtener más detalles.

1. Aún en Cloud Shell, usa el siguiente comando curl para enumerar las voces disponibles cuando usas la API de Text-to-Speech para crear voz sintética:

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \ -H "Content-Type: application/json; charset=utf-8" \ "https://texttospeech.googleapis.com/v1/voices"

La API de Text-to-Speech muestra un resultado con formato JSON que se parece al siguiente:

{ "voices": [ { "languageCodes": [ "es-ES" ], "name": "es-ES-Standard-A", "ssmlGender": "FEMALE", "naturalSampleRateHertz": 24000 }, { "languageCodes": [ "ja-JP" ], "name": "ja-JP-Standard-A", "ssmlGender": "FEMALE", "naturalSampleRateHertz": 22050 }, { "languageCodes": [ "pt-BR" ], "name": "pt-BR-Standard-A", "ssmlGender": "FEMALE", "naturalSampleRateHertz": 24000 }, ... ] }

En los resultados del comando curl, observa que cada voz tiene cuatro campos:

• name: El ID de voz que proporcionas para solicitar esa voz.
• ssmlGender: El género de la voz que hablará el texto, como se define en la recomendación W3 de SSML.
• naturalSampleRateHertz: Es la tasa de muestreo de la voz.
• languageCodes: La lista de códigos de idioma asociados con esa voz.

También ten en cuenta que algunos idiomas tienen varias voces para elegir.

2. Limita los resultados que devuelve la API a un solo código de idioma:

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \ -H "Content-Type: application/json; charset=utf-8" \ "https://texttospeech.googleapis.com/v1/voices?language_code=en"

Tarea 5: Crea voz sintética a partir de texto

Ahora que ya viste cómo obtener los nombres de las voces para que hablen tu texto, es hora de crear un discurso sintético.

Crea tu solicitud

Usa el editor de Cloud Shell para crear tu solicitud a la API de Text-to-Speech en un archivo de texto llamado synthesize-text.json.

1. En Cloud Shell, haz clic en Abrir editor para abrir el editor de Cloud Shell.

2. En la barra de acciones, haz clic en Archivo > Nuevo archivo.

3. En el campo Selecciona el tipo de archivo o Ingresar el nombre del archivo, ingresa synthesize-text.json.

4. Haz clic en Aceptar.

5. Agrega el siguiente código a synthesize-text.json:

{ 'input':{ 'text':'La API de Cloud Text-to-Speech permite a los desarrolladores incluir voz sintética humana y con un sonido natural en forma de audio reproducible en sus aplicaciones. La API de Text-to-Speech convierte las entradas de texto o lenguaje de marcado de síntesis de voz (SSML) en datos de audio, como MP3 o LINEAR16 (la codificación que se usa en los archivos WAV). }, 'voice':{ 'languageCode':'en-gb', 'name':'en-GB-Standard-A', 'ssmlGender':'FEMALE' }, 'audioConfig':{ 'audioEncoding':'MP3' } }

6. Haz clic en Archivo > Guardar para guardar el archivo.

La solicitud con formato JSON proporciona tres objetos:

• input: Proporciona el texto que se traducirá en voz sintética.
• voice: El objeto especifica la voz que se usará para la voz sintética.
• audioConfig: Le indica a la API de Text-to-Speech qué tipo de codificación de audio debe devolver.

7. Haz clic en Abrir terminal para volver a la terminal.

8. Llama a la API de Text‐to‐Speech:

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \ -H "Content-Type: application/json; charset=utf-8" \ -d @synthesize-text.json "https://texttospeech.googleapis.com/v1/text:synthesize" \ > synthesize-text.txt

El resultado de esta llamada se guarda en un archivo llamado synthesize-text.txt.

9. Haz clic en Abrir editor y abre el archivo synthesize-text.txt. Ten en cuenta que la API de Text-to-Speech proporciona la salida de audio en texto codificado en Base64 que se asignó al campo audioContent, similar a lo que se muestra a continuación:

{ "audioContent": "//NExAASGoHwABhGudEACdzqFXfRE4EY3AACkD/zX4ADf/6J/[...]" }

Traduce la respuesta

Para traducir la respuesta en audio, selecciona los datos de audio que se encuentran en synthesize-text.txt y decodifícalos en un archivo de audio (en este lab, un archivo MP3). Hay muchas formas de hacerlo, y este lab proporciona un código de Python simple.

1. En la barra de acciones, haz clic en Archivo > Nuevo archivo.

2. En el campo Selecciona el tipo de archivo o Ingresar el nombre del archivo, escribe tts_decode.py.

3. Haz clic en Aceptar.

4. Escribe o copia lo siguiente en tts_decode.py:

import argparse from base64 import decodebytes import json """ Usage: python tts_decode.py --input "synthesize-text.txt" \ --output "synthesize-text-audio.mp3" """ def decode_tts_output(input_file, output_file): """ Decode output from Cloud Text-to-Speech. input_file: the response from Cloud Text-to-Speech output_file: the name of the audio file to create """ with open(input_file) as input: response = json.load(input) audio_data = response['audioContent'] with open(output_file, "wb") as new_file: new_file.write(decodebytes(audio_data.encode('utf-8'))) if __name__ == '__main__': parser = argparse.ArgumentParser( description="Decode output from Cloud Text-to-Speech", formatter_class=argparse.RawDescriptionHelpFormatter) parser.add_argument('--input', help='The response from the Text-to-Speech API.', required=True) parser.add_argument('--output', help='The name of the audio file to create', required=True) args = parser.parse_args() decode_tts_output(args.input, args.output)

5. Guarda tts_decode.py.

Crea y ejecuta el archivo de audio

Para crear un archivo de audio a partir de la respuesta que recibiste de la API de Text-to-Speech, haz lo siguiente:

1. Haz clic en Abrir terminal para volver a Cloud Shell.

2. Crea el archivo de audio synthesize-text-audio.mp3:

python tts_decode.py --input "synthesize-text.txt" --output "synthesize-text-audio.mp3"

3. Haz clic en Abrir editor para abrir el editor de Cloud Shell.

4. Para abrir el archivo, haz clic en synthesize-text-audio.mp3 que se encuentra en el panel de la izquierda.

5. Reproduce el audio para escuchar el archivo. Escucharás la voz sintética que habla el texto que le proporcionaste.

Tarea 6: Crea voz sintética a partir de SSML

Además de usar texto, también puedes proporcionar entradas a la API de Text-to-Speech en forma de lenguaje de marcado de síntesis de voz (SSML). SSML define un formato XML para representar la voz sintética. Con la entrada de SSML, puedes controlar con mayor precisión las pausas, el énfasis, la pronunciación, el tono, la velocidad y otras cualidades en la salida de voz sintética.

Crea tu solicitud

Primero, crea tu solicitud a la API de Text-to-Speech en un archivo de texto llamado synthesize-ssml.json.

1. Aún en la barra de acciones del editor de Cloud Shell, haz clic en Archivo > Archivo nuevo.

2. En el campo Selecciona el tipo de archivo o Ingresar el nombre del archivo, escribe synthesize-ssml.json.

3. Haz clic en Aceptar.

4. Escribe o copia lo siguiente en synthesize-ssml.json:

{ 'input':{ 'ssml':'<speak><s> <emphasis level="moderate">La API de Cloud Text-to-Speech</emphasis> permite a los desarrolladores incluir voz humana sintética <break strength="x-weak"/> con un sonido natural como audio reproducible en sus aplicaciones.</s> <s>La API de Text-to-Speech convierte texto o <prosody rate="slow">lenguaje marcado de síntesis de voz</prosody> <say-as interpret-as=\"characters\">SSML</say-as> en datos de audio en formato <say-as interpret-as=\"characters\">MP3</say-as> o <sub alias="linear sixteen">LINEAR16</sub> <break strength="weak"/> (la codificación que se usa en los archivos <sub alias="wave">WAV</sub>).</s></speak>' }, 'voice':{ 'languageCode':'en-gb', 'name':'en-GB-Standard-A', 'ssmlGender':'FEMALE' }, 'audioConfig':{ 'audioEncoding':'MP3' } }

Observa que el objeto input de la carga útil de JSON que se enviará incluye algunos elementos diferentes esta vez:

• En lugar de un campo text, el objeto input tiene un campo ssml.
• El campo ssml tiene contenido con formato XML con el elemento <speak> como raíz.

Cada uno de los elementos presentes en esta representación XML de la entrada afecta la salida de la voz sintética.

Específicamente, los elementos de esta muestra tienen los siguientes efectos:

• <s> contiene una oración.
• <emphasis> agrega énfasis a la palabra o frase que rodea.
• <break> inserta una pausa en el discurso.
• <prosody> personaliza el tono, la velocidad de voz o el volumen del texto que rodea, según lo especifican los atributos rate, pitch o volume.
• <say-as> proporciona más orientación sobre cómo interpretar y, luego, decir el texto afectado, por ejemplo, si se debe decir una secuencia de números como ordinales o cardinales.
• <sub> especifica un valor de sustitución para pronunciar el texto afectado.

Nota: Puedes consultar la lista completa de elementos de SSML compatibles con Cloud Text-to-Speech en la referencia de SSML.

3. Haz clic en Abrir terminal para abrir la terminal de Cloud Shell.

4. Llama a la API de Text-to-Speech y guarda el resultado en un archivo llamado synthesize-ssml.txt:

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \ -H "Content-Type: application/json; charset=utf-8" \ -d @synthesize-ssml.json "https://texttospeech.googleapis.com/v1/text:synthesize" \ > synthesize-ssml.txt

Crea y ejecuta el archivo de audio

Una vez más, debes decodificar el resultado de la API de Text-to-Speech para poder escuchar el audio.

1. Haz clic en Abrir terminal. Ejecuta el siguiente comando para generar un archivo de audio llamado synthesize-ssml-audio.mp3 con la utilidad tts_decode.py que creaste anteriormente:

python tts_decode.py --input "synthesize-ssml.txt" --output "synthesize-ssml-audio.mp3"

2. Haz clic en Abrir editor.

3. Haz clic en synthesize-ssml-audio.mp3 en el panel de la izquierda y, luego, reproduce el archivo de audio incorporado.

Observa las diferencias en el resultado de SSML y el resultado del archivo de texto: aunque ambos archivos de audio dicen las mismas palabras, el resultado de SSML las pronuncia de forma un poco diferente, agregando pausas y pronunciaciones diferentes para las abreviaturas.

Tarea 7: Configura la salida de audio y los perfiles de dispositivos

Además de SSML, puedes proporcionar aún más personalización a tu salida de voz sintética creada por la API de Text-to-Speech. Puedes especificar otras codificaciones de audio, cambiar el tono de la salida de audio y hasta solicitar que la salida se optimice para un tipo específico de hardware.

Crea tu solicitud

Compila tu solicitud a la API de Text-to-Speech en un archivo de texto llamado synthesize-with-settings.json:

1. En la barra de acciones, haz clic en Archivo > Nuevo archivo.

2. En el campo Selecciona el tipo de archivo o Ingresar el nombre del archivo, escribe synthesize-with-settings.json.

3. Haz clic en Aceptar.

4. Escribe o copia lo siguiente en synthesize-with-settings.json:

{ 'input':{ 'text':'La API de Text-to-Speech es ideal para cualquier aplicación que reproduzca audio de voz humana a los usuarios. Te permite convertir cadenas, palabras y oraciones arbitrarias en la voz de una persona que dice lo mismo.' }, 'voice':{ 'languageCode':'en-us', 'name':'en-GB-Standard-A', 'ssmlGender':'FEMALE' }, 'audioConfig':{ 'speakingRate': 1.15, 'pitch': -2, 'audioEncoding':'OGG_OPUS', 'effectsProfileId': ['headphone-class-device'] } }

5. Guarda el archivo.

Ten en cuenta que el objeto audioConfig ahora contiene campos adicionales:

• El campo speakingRate especifica la velocidad de la voz del orador. Un valor de 1.0 es la velocidad normal de la voz, 0.5 es la mitad de esa velocidad y 2.0 es el doble de rápido.
• El campo pitch especifica una diferencia en el tono para pronunciar las palabras. El valor aquí especifica una cantidad de semitonos más bajos (negativos) o más altos (positivos) para pronunciar las palabras.
• El campo audioEncoding especifica la codificación de audio que se usará para los datos. Los valores aceptados para este campo son LINEAR16, MP3 y OGG_OPUS.
• El campo effectsProfileId solicita que la API de Text-to-Speech optimice la salida de audio para un dispositivo de reproducción específico. La API aplica un perfil de audio predefinido a la salida que mejora la calidad de audio en la clase de dispositivos especificada.

Nota: La función de perfiles de audio se encuentra en versión beta. Consulta la guía para obtener detalles sobre cómo usarla en tu aplicación. Todos los demás parámetros de configuración que se describen aquí están disponibles para el público en general para su uso normal en tu aplicación.

4. Haz clic en Abrir terminal.

5. Llama a la API de Text‐to‐Speech:

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \ -H "Content-Type: application/json; charset=utf-8" \ -d @synthesize-with-settings.json "https://texttospeech.googleapis.com/v1beta1/text:synthesize" \ > synthesize-with-settings.txt

El resultado de esta llamada se guarda en un archivo llamado synthesize-with-settings.txt.

Crea y ejecuta el archivo de audio

1. Ejecuta el siguiente comando para generar un archivo de audio llamado synthesize-with-settings-audio.mp3 a partir del resultado recibido de la API de Text-to-Speech:

python tts_decode.py --input "synthesize-with-settings.txt" --output "synthesize-with-settings-audio.ogg"

2. Haz clic en Abrir editor para abrir el editor de Cloud Shell.

3. Haz clic en synthesize-with-settings-audio.mp3 en el panel de la izquierda para abrir el archivo y, luego, reproducir el audio.

4. Reproduce el archivo de audio synthesize-with-settings-audio.mp3, así como los otros archivos de audio que creaste en este lab. Ten en cuenta que la voz del audio habla un poco más rápido y bajo que los otros archivos de audio.

¡Felicitaciones!

Aprendiste a crear voces sintéticas con la API de Cloud Text-to-Speech. Esto fue lo que aprendiste:

• Enumerar todas las voces sintéticas disponibles a través de la API de Text-to-Speech
• Crear una solicitud a la API de Text-to-Speech y llamarla con curl, proporcionando texto y SSML
• Configurar el parámetro de configuración para la salida de audio, lo que incluye especificar un perfil de dispositivo para la reproducción de audio

Próximos pasos y más información

• Consulta la documentación detallada de la API de Text-to-Speech en cloud.google.com.
• Aprende a crear voces sintéticas con las bibliotecas cliente de la API de Text-to-Speech.

Capacitación y certificación de Google Cloud

Recibe la formación que necesitas para aprovechar al máximo las tecnologías de Google Cloud. Nuestras clases incluyen habilidades técnicas y recomendaciones para ayudarte a avanzar rápidamente y a seguir aprendiendo. Para que puedas realizar nuestros cursos cuando más te convenga, ofrecemos distintos tipos de capacitación de nivel básico a avanzado: a pedido, presenciales y virtuales. Las certificaciones te ayudan a validar y demostrar tus habilidades y tu conocimiento técnico respecto a las tecnologías de Google Cloud.

Actualización más reciente del manual: 5 de septiembre de 2025

Prueba más reciente del lab: 4 de noviembre de 2024

Copyright 2025 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.