Возможности Amazon Polly

Amazon Polly предоставляет API, который позволяет быстро интегрировать в приложение возможность синтеза речи. Достаточно отправить в API Amazon Polly текст, который необходимо преобразовать в речь, и сервис сразу же направит обратно в приложение соответствующий аудиопоток. Таким образом, можно немедленно начать потоковую передачу или сохранить аудиопоток в стандартном аудиоформате, например MP3.

Amazon Polly включает в себя несколько десятков естественно звучащих голосов и поддерживает множество языков. Таким образом, пользователи могут выбирать подходящие голоса и распространять свои приложения с поддержкой речевых интерфейсов в разных странах. Помимо голосов, созданных по стандартным технологиям TTS, в Amazon Polly включены голоса, созданные по технологии нейронного преобразования текста в речь (NTTS). Эта технология улучшает качество речи, и та начинает звучать более естественно и похоже на человеческую.

Amazon Polly упрощает запрос дополнительного потока метаданных, предоставляющего информацию о том, когда произносятся конкретные предложения, слова и звуки. Используя этот поток метаданных вместе с аудиопотоком синтезированного речевого сигнала, теперь можно создавать приложения с улучшенными визуальными возможностями, такими как анимация лиц, синхронизированная с речью, или выделение слов в стиле караоке.

Подробнее об использовании речевых меток см. в документации. 

С помощью Amazon Polly можно передавать пользователям через свое приложение все виды информации в режиме, близком к реальному времени. Для оптимизации полосы частот и качества звука для приложения можно выбирать различные частоты дискретизации. Amazon Polly поддерживает звуковые потоки в форматах MP3, Vorbis и несжатом формате PCM.

Amazon Polly поддерживает Speech Synthesis Markup Language (SSML), язык разметки для приложений синтеза речи стандарта W3C на основе XML, а также стандартные теги SSML, используемые для построения фраз, создания акцента и интонации. Настраиваемые теги Amazon SSML открывают уникальные возможности, например заставляют некоторые голоса звучать в стиле Newscaster. Такие гибкие возможности настройки позволяют создавать естественно звучащую речь, которая привлекает и удерживает внимание аудитории.

Подробную информацию см. в документации Amazon Polly по тегам SSML.

Amazon Polly позволяет синтезировать речь, похожую на голос теле‑ или радиодиктора. Это отличный способ читать новости или сообщать оперативные информационные сводки. Стиль Newscaster в настоящее время доступен для говорящих на американском английском (en‑US) языке голосов Мэттью и Джоанны, говорящего на британском английском (en-GB) языке голоса Эми и говорящего на американском испанском (es-US) языке голоса Лупе, созданных по технологии нейронного преобразования текста в речь (NTTS). Прослушайте аудиопример на американском английском, британском английском или американском испанском языке.

С помощью Amazon Polly можно синтезировать речь, чтобы имитировать интонацию дружеского разговора. Стиль Conversational звучит естественно и дружелюбно. Он может быть полезен во многих примерах использования, в том числе в условиях телефонии. Стиль Conversational в настоящее время доступен для голосов Мэттью и Джоанна, говорящих на американском варианте английского языка. Прослушайте голоса в стиле Conversational здесь.

Amazon Polly позволяет автоматически настраивать скорость речи на основе максимального отведенного времени, которое можно определить с помощью новой возможности интонационных конструкций, зависящих от времени. Это может пригодиться для многих примеров использования, особенно связанных с локализацией.

Предположим, что в учебном видео присутствует речь на американском английском, и вы хотите перевести это видео на немецкий язык. Допустим также, что вы переводите текст с помощью Amazon Translate и озвучиваете его с помощью Polly. Очень важно, чтобы переведенная на немецкий язык речь попадала в соответствующие видеокадры, поэтому речь на немецком языке не может быть продолжительнее, чем речь на американском английском. Новую возможность можно использовать для упрощения процесса дублирования.

Amazon Polly поддерживает все языки программирования, включенные в SDK AWS (Java, Node.js, .NET, PHP, Python, Ruby, Go и C++) и AWS Mobile SDK (iOS/Android). Polly также поддерживает API HTTP, поэтому пользователь может обеспечить свой собственный уровень доступа.

С Amazon Polly можно работать, используя API Polly (и различных SDK для конкретных языков), Консоль управления AWS и интерфейс командной строки AWS. Пользователь получает полный контроль над всеми возможностями Amazon Polly независимо от того, каким образом выполняется управление сервисом – с помощью консоли, API или интерфейса командной строки.

С помощью пользовательского лексикона (словарей) в Amazon Polly можно изменить произношение отдельных слов, таких как названия компаний, аббревиатур, иностранных слов и неологизмов (например, «ROTFL», «C’est la vie», когда этот текст произносит не французский голос). Чтобы настроить произношение, необходимо загрузить файл XML с лексическими записями. Например, можно настроить произношение «Nguyen», предоставив фонему с помощью следующего фрагмента кода XML:

«Фирменный голос» – это специальная программа, в рамках которой вы сотрудничаете с командой Amazon Polly, чтобы создать для своей организации эксклюзивный голос для нейронного преобразования текста в речь (NTTS). Фирменный голос позволяет придать свои продуктам и приложениям уникальное звучание для широкого диапазона вариантов использования, включая интеграцию Amazon Connect и Alexa Skills. Мы сотрудничаем с вами в течение всего процесса, чтобы определить нужный характер, найти актера или актрису и записать их голос, а затем создать и обучить модель воспроизведения голоса. После этого голос становится доступен вашим аккаунтам AWS.

Прослушать фирменный голос Национального банка Австралии »

Если вас интересует создание фирменного голоса с помощью Polly, обратитесь к менеджеру аккаунтов AWS или свяжитесь с нами для получения дополнительной информации.