Amazon Polly – 支持47种语音与24种语言的文本到语音转换服务

在准备写下这篇文章时，我的思绪不禁回到了自己的孩提时代（那时候大部分时间都用在了看电视上）。上世纪六十到七十年代，出现了大批热门的计算机与机器人语音产品。一瞬间，哈尔-9000、B9（来自〈迷失太空〉）、初代《星际旅行》中的计算机以及罗茜（来自〈摩登家庭〉）等形象再次涌现在我眼前。那个时候，人们都热衷于这种机械生成的语音——声音精准、清晰且缺乏人类应有的情感。

时间快速推进，如今我们已经拥有大量出色的计算机生成语音应用及用例可供选择，业界将其称为文本到语音或者简称TTS功能。娱乐、游戏、公共发布系统、电子学习、电话、辅助应用及设备乃至个人助手都已经开始将其引入。其中大部分应用能够很好地对接移动环境，但本地处理及存储型方案则表现平平。

你好， Polly

为了解决此类用例的实际需求（当然也包括其它大家能够想到的场景），我们推出了Polly，这项云服务能够将文本转化为逼真的语音，并允许大家将其用于您的工具及应用程序当中。Polly目前支持总计47种男声/女声表达并涵盖24种语言（暂不支持中文），而更多语言及语音选项亦在路线图规划之中。

Polly的设计目标在于解决语音生成工作中的大部分常见挑战。举例来说，我们以“live”一词为例，“I live in Seattle”代表我生活在西雅图，而“Live from New York”则代表由纽约发回的现场直播，二者在意义上显然存在差别。Polly能够理解这种同一词汇在不同语境下的含义，并给出完全不同的发音。类似的例子还有“St.”。根据语言类别及上下文背景的不同，其可以代表（或者应该发音为）“Street（街道）”或者“saint（圣）”。Polly同样能够准确识别二者间的差别。另外，Polly亦能够处理单位、分数、缩写、货币、日期、时间以及其它复杂的语言成分与表达方式。

为了实现这一目标，我们与以Polly支持的目标语言为母语的语言专家们进行合作。我们要求每位参与者利用其选定的语种提供大量单词与短语发音，并将音频拆分为声音单元，即双音素。

Polly在处理普通文本时拥有良好表现。大家只需要提交文本，Polly即可顺利完成接下来的工作，即以音频文件或者流媒体的方式给出精准、自然且与人类相似的语音表达。对于其它更为复杂的应用，大家可以使用SSML（即语音合成标记语言）为Polly提供更多附加信息。举例来说，如果您的文本内容中包含多种语言（例如英语与法语混杂），则可利用SSML作出标记以纠正发音。

在本文中我无法直接提供相关语音片段，因此感兴趣的朋友可以直接访问Polly Console（https://console.aws.amazon.com/polly）并亲自加以尝试。大家只需要输入文本内容并点击Listen to speech（听取语音）即可：

大家也可以将生成的音频保存在MP3文件并将其运用于您的应用程序当中。

以下为完全展开的语言与地区菜单：

技术细节

通过Console使用Polly当然非常便利，不过大家也可以采取其它方式以实现更具动态的使用途径。大家可以在文本或者SSML当中调用SynthesizeSpeech API函数。大家可以直接将输出结果以流媒体形式直接交付至用户，或者生成MP3或Ogg文件以备需要时播放。Polly能够以MP3或者Vorbis格式生成高质量（最高采样率为22 kHz）音频，亦可以PCM格式生成电话质量级（8 kHz）音频。

大家也可以利用AWS命令行界面（CLI）生成音频。例如：

Polly会对全部闲置数据进行加密，并通过SSL连接进行音频传输。所提交文本与提交者间的关联将被移除，以加密形式存储最多6个月，并被用于维护及改进Polly功能。

价格与上线时间

大家每月可以利用Polly处理500万字而无需支付任何费用。在此之后，每个字的处理价格为0.000004美元，或者折合为音频生成约为每分钟0.004美元。本篇博文的语音转换价格约为0.018美元，而《哈克贝利-费恩历险记》全文的语音转换亦仅需约2.4美元。

Polly目前已经在美国东部（北弗吉尼亚州）、美国西部（俄勒冈州）、美国东部（俄亥俄州）以及欧洲（爱尔兰）服务区上线，大家可以从今天开始加以使用。

-Jeff

原文链接：

https://aws.amazon.com/cn/blogs/aws/polly-text-to-speech-in-47-voices-and-24-languages/