Werk:AI mit Arnie/Text to Speech "TTS" mit Google Colab
In diesem Video will ich über Text-to-Speech sprechen. In der KI-Welt ist das das nächste große Ding, das ganz, ganz viele Leuten interessiert. Und ich muss jetzt schon dazu sagen: Die Open-Source-Welt ist hier mittlerweile relativ gut, aber die brauchen wahnsinnig, wahnsinnig viel Computing Power. Wir haben natürlich auch die Möglichkeit, die Dinge in Google Colab laufen zu lassen.
Ich will also in diesem Video etwas zeigen, also einen kleinen Überblick. Falls du viel Computing Power hast, kannst du das natürlich auch verwenden, aber danach will ich sofort eine Alternative geben von OpenAI, die meiner Meinung nach besser und einfacher funktioniert. Und ich werde dir ein komplettes Google Colab-Notebook zusammenstellen, denn das Ganze funktioniert sehr, sehr einfach.
Also erstmal die Open-Source-Alternative. Das ist das da: ChatTTS. Du findest hier alles auf GitHub, und die haben eine super schöne Dokumentation. Auch die haben ein Google Colab-Notebook. Das heißt, wenn du das in einem neuen Link öffnest, dann siehst du, hast du hier ein komplettes Google Colab-Notebook, das die Leute für uns zusammengestellt haben.
Ich muss jetzt schon dazu sagen: Die gratis GPU-Power, die wir von Google bekommen, die reicht uns hier leider nicht aus. Und das Notebook, für mich funktioniert es einfach meistens nicht perfekt.
Wir hätten natürlich auch die Möglichkeit, das alles lokal laufen zu lassen. In Python dafür gibt es hier runter die Installationen. Wie gesagt, das ist alles relativ einfach, wenn du dich mit Python ein klein wenig auskennst.
Ich will hier aber die Abkürzung machen, und wir verwenden OpenAI, und wir verwenden danach dieses Google Colab-Notebook, das ich gerade eben zusammengestellt hab. Und das Ding ist wahnsinnig, wahnsinnig einfach. Ich will dir kurz zeigen, wie das läuft.
Also, wir haben nur zwei kleine Codeblöcke. Wir haben am Anfang natürlich pip install openai. Das läuft in Python. Wir klicken einfach nur „Play“ in diesem Colab-Notebook. Wie gesagt, ich werde dir das Ding unten verlinken. Was machen wir hier? Wir installieren die Bibliotheken von OpenAI—ja, ich weiß, das ist hier natürlich nicht komplett Open Source, aber es funktioniert halt einfach am besten und es kostet wirklich ganz, ganz, ganz wenig.
Dieser Code wird ausgeführt, und das läuft relativ schnell. Danach läuft das Ding, und der zweite Codeblock, der ist auch genauso einfach. Hier holen wir uns die richtigen Bibliotheken rein von OpenAI. Danach habe ich hier mit den Hashtags dazu geschrieben, was die Dinge machen. Ich habe das hier auf Englisch mit dabei. Das könntest du auch über Übersetzen auf Deutsch. Also, erstmal muss hier oben dein API-Key rein, wo „your key“ steht. Danach brauchen wir natürlich den Pfad zu unserem Output. Der ist in diesem Fall speech.mp3. Danach erstellen wir die Dinge, und zwar mit dem TTS1-Modell. Die Stimme ist „Aloy“ und der Input ist das da: „Heute ist ein super Tag, weil ich Arnis Videos mag.“ Danach ist hier unten „save“. Das heißt, das File wird gespeichert, und der Pfad wird uns hier drunter angezeigt.
Ich will dir zeigen, von wo ich die Dinge hab. Wir gehen auf den OpenAI Playground, und im OpenAI Playground können wir natürlich auf die Dokumentation klicken, und zwar hier oben. Und wenn wir hier rübergehen auf die Modelle, dann können wir runtergehen auf TTS. TTS steht für Text-to-Speech. Und Text-to-Speech können wir wunderbar verwenden. Wir haben zwei verschiedene Modelle: das normale Text-to-Speech, Text-to-Speech 1 und TTS1-HD. Was ist der Unterschied? Das zweite hat etwas die bessere Qualität.
Wenn du hier drauf klickst auf diesen Link, dann bekommst du natürlich ein paar Beispiele, wie sich die Dinge anhören, und du bekommst auch den Quickstarter-Guide. Und hier von diesem Quickstarter-Guide habe ich auch den Code tatsächlich. Ich habe diesen Code ganz einfach kopiert, in dieses Notebook geschmissen und hier noch ein paar Dinge mit eingegeben.
Ja, ich mache das meistens auf Englisch, weil halt generell die Dinge auf Englisch laufen in Python. Dementsprechend habe ich nur diesen Input hier auf Deutsch geschrieben.
Also, das Zeug kann man kopieren und hier drüben reinschmeißen. Was müssen wir als Nächstes machen? Natürlich, wir sollten noch mal auf das Dashboard gehen. Und wir brauchen einen API-Key. Erinnere dich daran, wenn du einen API-Key brauchst, dann solltest du oben hier drauf klicken, auf dein Profil gehen, danach natürlich auf „Billing“ gehen, und bei den Payment Methods musst du drauf klicken und hier natürlich deine Kreditkarte hinterlegen, damit das Ganze auch funktioniert. Wie gesagt, daß ist hier nicht komplett gratis, aber es kostet nur wenige Cent.
Danach noch mal Dashboard, API-Keys. Jetzt werden wir einen API-Key erstellen. Wir klicken „Create new secret key“. Ich nenne das Ding einfach mal TTS, „Create secret key“. Wir klicken hier „Kopieren“, wir gehen in unser Notebook. Im Notebook müssen wir hier bei „your key“ das Ding rauslöschen und meines einfügen. Diese Dinge wurden in der Zwischenzeit installiert, und danach kannst du hier drunter reinschreiben, was auch immer du reinschreiben willst. Also, „Heute ist ein super Tag, weil ich Arnis Videos mag.“ Ich denke, das machen wir einfach mal als Test. Und ich klicke hier „Play“, und danach sollten wir im 0, Nichts hier alles bekommen. Du siehst, bup, und es wurde gespeichert unter Content/speech.mp3.
Das heißt, wir gehen auf diesen Ordner Content/speech.mp3. Das kann ich jetzt runterladen natürlich, also herunterladen, und in meinen Downloads habe ich jetzt das Ding. Und wir hören uns das jetzt einfach mal an: „Heute ist ein super Tag, weil ich Arnie’s Videos mag.“ „Heute ist ein super Tag, weil ich Arnie’s Videos mag.“ „Heute ist ein super Tag, weil ich Arnie’s Videos mag.“ Hört sich schon richtig, richtig gut an.
Du kannst dir auch die Stimme wechseln. Wenn du noch mal zurückgehst auf die Dokumentation, natürlich wieder auf unsere Modelle auf die DTS, dann siehst du, dass wir natürlich verschiedene Stimmen hier haben. Wir klicken noch mal auf diesen Endpoint. Du siehst, wir haben hier „Aloy“ z. B. als Stimme, und wenn wir weiter runterscrollen, dann haben wir auch „Echo“, „Fable“, „Nova“, „Shima“ und so weiter. Das heißt, wir haben hier natürlich verschiedene Leute, die sprechen können.
Lasst uns einfach mal „Nova“ verwenden. Wir kopieren das, gehen hier zurück. Jetzt wollen wir „Aloy“ rausnehmen und „Nova“. Ich klicke noch mal „Play“, und jetzt sollten wir wieder unter Content meinen Output haben. Also, ich nehme an, das ist jetzt das Neue. Hier wir klicken das einfach mal zum Runterladen, und ich höre mir das jetzt noch mal an: „Heute ist ein super Tag, weil ich Arnie’s Videos mag.“ „Heute ist ein super Tag, weil ich Arnie’s Videos mag.“ Sehr gut! Und wir könnten natürlich auch auf die HD-Stimme wechseln, wenn wir den wollen. Das heißt, das zweite Modell heißt natürlich TTS1-HD. Wir klicken noch mal „Kopieren“, wir gehen zurück. Ich will jetzt TTS1-HD haben. Das heißt, ich lösch das, gib hier TTS1-HD ein, und wir können ja noch eine Stimme z. B. probieren.
Wir klicken noch mal auf diese Endpoints. Welche Stimme wollen wir haben? Also „Aloy“, „Echo“ wie hört sich der Typ an? „In the hard of the city, there is a large park where peolple …“, „The library is a quiet an pea …“, „The train chuged along tzhe tracks …“ Ich glaube, ich will ihn hier haben. Also ist unsere Stimme jetzt „Onyx“ oder wie der Typ heißt. Also, die Stimme wird noch mal gelöscht und die neue Stimme mit eingefügt. Und ich will jetzt vielleicht auch einen anderen Text haben, z. B. „Heute ist ein super Tag, weil ich Arnis Kurs zu Open-Source-Tools mag.“ Ist jetzt vielleicht etwas ein Zungenbrecher und natürlich auch auf Deutsch. Dennoch klicke ich einfach mal „Play“. Wir wollen uns das anhören, und dann sehen wir uns an, was wir hier bekommen.
Achtung, ich hatte einen Tippfehler. Ich habe das jetzt umgeändert. Wir klicken noch mal „Play“, und jetzt sollte das klappen. Sieht schon mal gut aus. Lasst uns das Ding einfach mal runterladen. Also, das sollte natürlich wieder hier drinnen sein. Und wie hört sich der Typ an auf Deutsch „Heute ist ein super Tag, weil ich AR-Kurs zu Open-Source-Tools mag.“ „Heute ist ein super Tag, weil ich AR-Kurs zu Open-Source-Tools mag.“ Hört sich gut an!
Ich will jetzt das Übersetzen auf Englisch, denn eigentlich sind die Dinge natürlich perfekt für Englisch. Ich lösch das also noch mal. Ich füge das da ein und noch mal „Play“, und bup, sollte jetzt gespeichert sein. Das heißt, wir sollten jetzt hier wieder das Neue haben. Und noch einmal den Typen auf Englisch. „Today is a great day, because I like Arnie’s course on open source tools.“, „Today is a great day, because I like Arnie’s course on open source tools.“, , Sehr gut!
Und wenn du hier zurückgehst, also diese TTS-Modelle, die sind auch, um ehrlich zu sein, relativ, relativ günstig. Das heißt, wenn wir hier auf das Pricing gehen, dann siehst du, das Ding ist auch relativ günstig.
Das heißt, TTS, also Text-to-Speech, kostet 15 $ für eine Million Charaktere. Und ja, eine Million Charaktere hast du tatsächlich nicht so schnell beisammen. Das heißt, du kannst natürlich einige Dinge kreieren, wenn du hier ein klein wenig rumspielst. Und falls du das nicht machen willst, natürlich, dann kannst du auch das Open-Source-Tool verwenden. Wie gesagt, für mich funktioniert das leider nicht so gut. Man braucht einen starken Computer. Aber auch das kannst du laufen lassen, wenn du magst. Und auch hierfür hast du natürlich ein komplettes Google Colab-Notebook, wenn du damit rumspielen willst.
In diesem Video wollte ich dir Text-to-Speech zeigen. Ich bin der Meinung, aktuell läuft es am besten und am einfachsten mit den OpenAI-Modellen. Und ich wollte dir einfach mein Google Colab-Notebook mit an die Hand geben, weil du hier einfach nur „Play“ bei zwei Zellen klicken musst. Erstens die Dinge installieren von OpenAI, zweitens du wählst ganz einfach den Sprecher, der für dich Sinn macht, du schmeißt den API-Key rein, und du bist bereit, um loszulegen. Ansonsten zeige ich dir natürlich auch eine Open-Source-Alternative.
In dem Sinne: Viel Spaß mit Text-to-Speech.