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。
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/
评论