✏️【本日實作紀錄：gTTS 語音檔生成與 Flask API 整合】

今天進入後端語音模組與 API 串接階段，完成項目包含：

• 整合 Google Text-to-Speech (gTTS) — 將 Day 05 產出的 spoken_summary 白話文轉化為 .mp3 語音檔。
• 重構 Flask 核心服務（app.py） — 新增 /analyze-prescription API 端點，支援接收藥袋圖片上傳、執行 VLM 解析並回傳 JSON 與語音檔檔名。
• 實作靜態語音檔服務端點（/static/audio/<filename>） — 提供前端（LINE Bot / Web 儀表板）直接存取與播放語音檔的 URL。

一、 為什麼需要在後端進行 gTTS 語音生成？

許多使用者裝置（如瀏覽器或手機）內建的 TTS 引擎發音品質差異大，常出現發音生硬、斷句不自然或缺少繁體中文語音包的問題。

將語音合成交由 Python 後端處理有幾個優勢。採用 Google gTTS 雲端語音確保發音品質一致，長輩能聽得清楚。前端手機只需下載 .mp3 並播放，不需要額外下載或初始化龐大的語音包資源。

二、 編寫語音生成與 API 整合邏輯（app.py）

開啟專案根目錄下的 app.py，更新為以下完整程式碼：

import os
import json
import uuid
from flask import Flask, request, jsonify, send_from_directory
from dotenv import load_dotenv
from google import genai
from google.genai import types
from PIL import Image
from gtts import gTTS

# 1. 載入環境變數與初始化
load_dotenv()
api_key = os.getenv("GEMINI_API_KEY")
if not api_key:
    raise ValueError("❌ 錯誤：找不到 GEMINI_API_KEY，請檢查 .env 設定！")

client = genai.Client(api_key=api_key)

app = Flask(__name__)

# 設定語音檔儲存目錄
AUDIO_DIR = os.path.join(os.getcwd(), 'static', 'audio')
os.makedirs(AUDIO_DIR, exist_ok=True)

# 2. 定義 JSON Schema
prescription_schema = {
    "type": "OBJECT",
    "properties": {
        "spoken_summary": {
            "type": "STRING",
            "description": "適合唸給長輩聽的白話文總結，語氣溫柔親切。"
        },
        "medicines": {
            "type": "ARRAY",
            "items": {
                "type": "OBJECT",
                "properties": {
                    "name": {"type": "STRING", "description": "藥品中文名稱或商品名"},
                    "type": {"type": "STRING", "description": "口服或外用"},
                    "frequency": {"type": "STRING", "description": "服用頻率，如：每日二次"},
                    "dosage": {"type": "STRING", "description": "每次劑量，如：1顆、0.5顆"},
                    "timing": {"type": "STRING", "description": "吃藥時間點，如：飯後、睡前"},
                    "warning": {"type": "STRING", "description": "重要警語或注意事項，無則填空字串"}
                },
                "required": ["name", "type", "frequency", "dosage", "timing"]
            }
        }
    },
    "required": ["spoken_summary", "medicines"]
}

@app.route('/ping', methods=['GET'])
def ping():
    return jsonify({"status": "online", "service": "PrescriptionVLM Engine"}), 200

@app.route('/analyze-prescription', methods=['POST'])
def analyze_prescription():
    # 檢查是否有傳入圖片檔案
    if 'image' not in request.files:
        return jsonify({"error": "未提供圖片檔案 (key 名稱應為 'image')"}), 400

    file = request.files['image']
    if file.filename == '':
        return jsonify({"error": "未選擇上傳的圖片"}), 400

    try:
        # 1. 讀取影像
        image = Image.open(file.stream)

        # 2. 呼叫 Gemini VLM 模型
        prompt = """
        你是一位專業且細心的藥師助手。請分析這張藥袋照片：
        1. 將藥品分類為口服或外用，並精準提取名稱、頻率、劑量與吃藥時間。
        2. 針對高齡長輩，撰寫一段溫柔白話的 spoken_summary，適合 TTS 語音播報。
        3. 若有重要注意事項，請填入 warning 欄位。
        """

        config = types.GenerateContentConfig(
            response_mime_type="application/json",
            response_schema=prescription_schema
        )

        response = client.models.generate_content(
            model='gemini-3.6-flash',
            contents=[image, prompt],
            config=config
        )

        result_data = json.loads(response.text)

        # 3. 將 spoken_summary 轉為 mp3 語音檔
        spoken_text = result_data.get("spoken_summary", "解析完成。")
        filename = f"speech_{uuid.uuid4().hex[:8]}.mp3"
        filepath = os.path.join(AUDIO_DIR, filename)

        tts = gTTS(text=spoken_text, lang='zh-tw')
        tts.save(filepath)

        # 4. 組裝回傳 JSON 格式
        result_data['audio_url'] = f"/static/audio/{filename}"

        return jsonify({
            "status": "success",
            "data": result_data
        }), 200

    except Exception as e:
        return jsonify({"error": f"伺服器處理失敗: {str(e)}"}), 500

@app.route('/static/audio/<filename>', methods=['GET'])
def get_audio(filename):
    """提供語音檔下載/播放靜態路由"""
    return send_from_directory(AUDIO_DIR, filename)

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000, debug=True)

三、 API 測試與成果驗證

1. 啟動 Flask 後端服務

於 Terminal 執行，輸入（Ctrl+C 可取消執行 app.py）：

python app.py

2. 使用 cURL 或 Postman 測試 API 請求

開啟新的 Terminal（終端機）分頁，執行以下 cURL 指令上傳測試藥袋圖片：

curl -X POST http://127.0.0.1:5000/analyze-prescription \
  -F "image=@test_rx.jpg"

預期輸出結果

伺服器回傳包含 status、data（藥品陣列與白話文）以及 audio_url（如 /static/audio/speech_a1b2c3d4.mp3）的 JSON 資料。

開啟瀏覽器訪問

http://127.0.0.1:5000/static/audio/speech_dbefbd4a.mp3
（請替換為實際回傳的檔名），即可聆聽繁體中文藥袋說明語音。

四、 版本控制與提交 GitHub

測試成功後，將 Day 06 的程式碼提交至 GitHub：

git add .

git commit -m "保留雙引號 改填寫自己要記錄的標記 ex.鐵人賽第六天"

git push

五、 本日小結與明日預告

今天將語音合成模組（gTTS）整合至 Flask API 中，實現了藥袋照片轉語音的後端服務。傳入照片、Gemini 解析、自動生成 .mp3 檔案這些步驟一起串聯。

明天（Day 07）進行 SQLite 資料庫整合與用藥歷史 API 實作，把解析出的藥品資料與語音路徑存入資料庫，建立完整的歷史紀錄管理機制。