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 08:001079

评论

发布
暂无评论
发现更多内容

AI in Game,大模型能力与实时音视频技术融合,交出AI应用新答卷

腾讯云音视频

AI 实时音视频 GME

云电脑显卡性能终极对决:ToDesk云电脑/顺网云/海马云,谁才是4K游戏之王?

小喵子

云电脑 ToDesk ToDesk云电脑 海马云 顺网云

不同数据场景下的聚类算法

量贩潮汐·WholesaleTide

机器学习 算法

Web前端入门:JavaScript 运算符 == 和 === 有什么区别?

电子尖叫食人鱼

JavaScript 前端

FlagOS 新里程:开源面向多种硬件架构的统一AI 编译器 FlagTree

智源研究院

联想重磅发布三大硬核数据网络新品,打造"一横五纵"战略智能底座

新消费日报

技术流必备!京东商品列表 API 接口深度解读

tbapi

京东API 京东商品列表接口

一文彻底玩转Open Harmony三方库之从入门到实战,轻松拿捏lithe_refresh

程序员Feri

OpenHarmony HarmonyOS NEXT harmoyos

人工智能三人行-热评:美国通过新法案,10年内禁止监管AI

雅菲奥朗

SIGGRAPH 2025 | 快手可灵团队提出3D感知的电影级文本到视频生成框架CineMaster

快手技术

#大模型

Disruptor—核心源码实现分析(二)

不在线第一只蜗牛

Java

华南会议|AI驱动仿真未来 2025 Altair区域技术交流会华南站,报名开启!

Altair RapidMiner

人工智能 AI 汽车 数字孪生 CAE

诚迈科技携HongZOS亮相开源鸿蒙开发者大会,加速生态繁荣与产业跃迁

极客天地

京东商品详情 API 接口全攻略:从入门到精通

tbapi

京东商品详情API接口 京东API 京东数据采集

议程公布,火热预约!明晚19:00,人工智能通识教育先行探索教学研讨会

ModelWhale

决胜 Next.js 面试:深入剖析缓存机制

溪抱鱼

面试 Nex 缓存机制

赋能未来教育!卓翼飞思携无人智能教科研一体化方案亮相高博会

科技热闻

快收藏!一个技巧从此不再搞混缓存穿透和缓存击穿

量贩潮汐·WholesaleTide

缓存

格灵深瞳发布视觉基础模型Glint-MVT,“分割一切”直接拿下SOTA

格灵深瞳

人工智能 视觉模型

最全Java面试题及答案整理(2025最新版)

Geek_Yin

Java 程序员 Java 面试 Java面试题

AI赋能引爆短剧全球化风潮,腾讯云媒体处理助力短剧平台出海吸金

腾讯云音视频

出海

智启未来 | 拓维信息携旗下开鸿智谷受邀参加开源鸿蒙开发者大会2025

极客天地

离线声音合成应用 RWKV Talk:多语言、多音色、支持声音克隆;马斯克:AI 将替代传统搜索丨日报

声网

应该如何理解“数据驱动”?

优秀

数据挖掘 数字化转型 数据驱动

什么是信息化?什么是数字化?这两者有什么联系和区别?

优秀

数字化转型 数字化 信息化

《算法导论(第4版)》阅读笔记:p156-p161

codists

算法

世界人工智能大会招募丨 WAIC 2025 FUTURE TECH 创新企业招募倒计时 15 天!让世界看见你的硬核 AI 创新

声网

人工智能三人行-热评:英伟达能守住中国市场的最后阵地吗?

雅菲奥朗

30k 的Java面试题,哭着也要背完!(附答案)

Geek_Yin

Java 程序员 Java 面试 Java 面试题

以正合,以奇胜,曙光信创公有云的兵法之道

脑极体

AI

人工智能三人行-热评:国内主流智能体开发平台一览

雅菲奥朗

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