AWS قابلیت شبیهسازی صدا را در Amazon Polly بهطور عمومی عرضه کرده، اما دسترسی به آن به حساب کاربری محدود است. این قابلیت از صدای ضبطشده یک نفر که با شبیهسازی صدایش موافقت کرده، صدایی مصنوعی میسازد. کسبوکارها میتوانند از این صدا برای تولید گفتار در سامانههای تلفنی، اپها، بازیها، درسها و محتوای دیگر استفاده کنند؛ بدون اینکه لازم باشد هر متن تازهای را در استودیو ضبط کنند.
AWS میگوید ساخت صدا رایگان است، اما تولید گفتار با صدای شبیهسازیشده هزینه دارد و بر اساس میزان استفاده محاسبه میشود. این قابلیت ابتدا به زبانهای انگلیسی، اسپانیایی، آلمانی، فرانسوی، ایتالیایی، پرتغالی و هندی عرضه میشود. صدای شبیهسازیشده فقط به زبانی صحبت میکند که ضبطهای اولیه به آن زبان بودهاند؛ AWS میگوید لهجههایی که خارج از محلهای ضبطِ آزمایششده این شرکت هستند، کمتر آزمایش شدهاند.
روند شبیهسازی صدا چگونه است؟
مشتریان باید یک تا 10 فایل ضبطشده ارسال کنند که مجموع مدت آنها حداکثر 15 دقیقه باشد. AWS ضبط دو تا 10 دقیقه گفتار طبیعی را پیشنهاد میکند که یک نفر در اتاقی آرام انجام داده باشد. ساخت صدا معمولاً پنج تا 10 دقیقه طول میکشد و در پسزمینه انجام میشود. پس از آمادهشدن، توسعهدهندگان میتوانند از ابزارهای تولید گفتار Polly استفاده کنند و حتی فایلهای صوتی طولانیتری بسازند و در Amazon S3 ذخیره کنند.
این قابلیت بهطور خودکار برای همه مشتریان فعال نیست. AWS میگوید برخی مشتریان Polly از قبل به آن دسترسی دارند؛ دیگران میتوانند از تیم حساب AWS خود درخواست کنند یا درخواست دسترسی بدهند. این قابلیت در AWS Regionهایی ارائه میشود که از موتور مولد Polly پشتیبانی میکنند؛ از جمله منطقه US GovCloud. سقف اولیه برای هر حساب در هر Region، 10 صدای شبیهسازیشده است.
رضایت و کنترل بخشی از فرایند راهاندازی است
مشتری هنگام ساخت صدا باید تأیید کند که رضایت گوینده را گرفته است. AWS میگوید روی گفتار تولیدشده با صدای شبیهسازیشده واترمارک میگذارد، نسخه خود از فایلهای ضبطشده اولیه را پس از ساخت صدا حذف میکند و از این فایلها برای آموزش مدلهای Polly استفاده نمیکند. دادههای صدای نهایی رمزگذاری میشوند و تا زمانی که مشتری آنها را حذف کند، باقی میمانند.
صدای شبیهسازیشده فقط در حساب AWS و Regionای در دسترس است که در آن ساخته شده. صاحبان حساب میتوانند دسترسی کاربران و سرویسها به آن را مدیریت کنند و صدای ساختهشده را حذف کنند. برای در دسترس قرار دادن صدا در Region یا حساب دیگری، مشتریان باید آن را دوباره از روی فایلهای ضبطشده بسازند و مطمئن شوند رضایت گوینده هر نسخه را هم پوشش میدهد.
AWS این قابلیت را برای کاربردهایی مانند یکدستکردن پیامهای خدمات مشتری و روایتهایی مناسب میداند که میتوان آنها را بدون رزرو جلسه ضبط تازه، بازنگری کرد. بااینحال، این شرکت به مشتریان توصیه میکند پیش از استفاده، صدا را با متنهای خودشان بشنوند: ممکن است لازم باشد نامها و اعداد را آزمایش کنند و متن یکسان در درخواستهای مختلف کمی متفاوت به گوش برسد.
چرا مهم است
برای شرکتهایی که از Polly در خطوط خدمات مشتری یا اپها استفاده میکنند، این قابلیت میتواند امکان بهروزرسانی پیامهای صوتی را با حفظ صدایی یکدست فراهم کند. دسترسی به قابلیت محدود است و کسبوکارها همچنان باید رضایت گوینده را بگیرند و پیش از استفاده، گفتار تولیدشده را با متنهای واقعی خود آزمایش کنند.