写点什么

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

  • 2019-11-19
  • 本文字数:1670 字

    阅读完需:约 5 分钟

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 Consolehttps://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。


本文转载自 AWS 技术博客。


原文链接:https://amazonaws-china.com/cn/blogs/china/polly-text-to-speech-in-47-voices-and-24-languages/


2019-11-19 08:001082

评论

发布
暂无评论
发现更多内容

力扣1514——概率最大的路径

健健

算法 最短路径

Grabana:使用 Golang 或 Yaml 生成 Grafana Dashboard

郭旭东

Grafana Go 语言

架构师0期Week11作业1

Nan Jiang

安全&高可用架构

dony.zhang

高可用 安全 安全架构 高可用系统的架构 高可用系统的运维

解码微盟半年财报:同比增长59.9%,SaaS商业版图不断扩大

ToB行业头条

SaaS 微盟

作为程序员,推荐5种编程语言!

代码制造者

Python 编程语言 低代码 C语言 零代码

针对目前在线教育存在问题的解决方案

anyRTC开发者

WebRTC 在线教育 直播 安卓

USDT承兑商系统开发,USDT支付系统软件搭建

13530558032

SpreadJS 纯前端表格控件应用案例:在线问卷系统

葡萄城技术团队

源码解析 | 万字长文详解 Flink 中的 CopyOnWriteStateTable

Apache Flink

flink

知乎李大海与阿里云贾扬清联合直播,AI大咖眼中的行业前景

InfoQ_967a83c6d0d7

java 是什么?作用是什么?

InfoQ_34a83d636158

合约跟单APP开发模式,合约跟单系统源码搭建

13530558032

区块链钱包系统开发服务商,区块链钱包应用搭建

13530558032

XSKY S3 Console 为对象存储系统赋能

XSKY星辰天合

合同、封条、电梯……通通上链!

CECBC

区块链技术 监管平台

架构训练营第十一周作业

张锐

安全及高可用策略

Lane

极客大学架构师训练营

Week11

丿淡忘

IDEA插件之Mybatis Log plugin破解!!!

不才陈某

Java idea插件

程序员不得不知的软技能

架构精进之路

软技能

深圳数字货币交易所开发商,币币撮合交易软件开发

13530558032

LeetCode题解:20. 有效的括号,while循环replace,JavaScript,详细注释

Lee Chen

大前端 LeetCode

架构训练营第十一周感悟

张锐

熔断、限流的一些理解

elfkingw

高可用注意点

dony.zhang

高可用 高可用系统的架构 高可用系统的运维

架构师0期Week11作业2

Nan Jiang

调度选得好,下班回家早

易观大数据

朱嘉明:新冠肺炎疫情如何改变社会成本观念和结构

CECBC

社会结构 社会观念

导致系统不可用的原因有哪些?

leis

30万奖金等你拿!Apache Flink 极客挑战赛入门指南(附Demo)

Apache Flink

flink

Amazon Polly – 支持47种语音与24种语言的文本到语音转换服务_语言 & 开发_亚马逊云科技 (Amazon Web Services)_InfoQ精选文章