AWS ने अपनी टेक्स्ट-टू-स्पीच सेवा Amazon Polly के जनरेटिव स्पीच इंजन को अपग्रेड किया है। कंपनी का कहना है कि नया इंजन कम विलंबता के साथ अधिक स्वाभाविक, भावपूर्ण और सटीक आवाज़ तैयार करता है। यह अब उत्पादन में आम तौर पर उपलब्ध है। जनरेटिव आवाज़ों का इस्तेमाल करने वाले मौजूदा ऐप्लिकेशन कोड या API कॉल में बदलाव किए बिना अपग्रेड पा सकते हैं।
अपडेट में नौ लोकेल में 14 आवाज़ें जोड़ी गई हैं। Polly के जनरेटिव इंजन पर हिंदी और फ़िनिश पहली बार उपलब्ध हैं। AWS के मुताबिक, अब इसके कैटलॉग में 11 भाषाओं और 25 लोकेल में 57 जनरेटिव आवाज़ें हैं, और यह सेवा AWS के 11 Regions में उपलब्ध है।
डेवलपरों के लिए क्या बदलेगा
ऐप्लिकेशन पहले की तरह Amazon Polly API का इस्तेमाल कर सकते हैं। AWS का कहना है कि अपग्रेड की कीमत पहले जितनी ही है और इसके लिए कोई नया प्रोडक्ट SKU नहीं है। डेवलपर सेवा के स्ट्रीमिंग API का भी इस्तेमाल कर सकते हैं, जिसमें टेक्स्ट भेजने और ऑडियो पाने का काम एक साथ होता है। यह व्यवस्था रियल-टाइम वॉइस ऐप्लिकेशन के लिए बनाई गई है।
AWS के मुताबिक, टेक्स्ट के आधार पर आवाज़ें भाव और बोलने के अंदाज़ को बेहतर ढंग से व्यक्त कर सकती हैं—इसके लिए मैन्युअल सेटअप की ज़रूरत नहीं है। कंपनी ने नमूना ऑडियो भी दिया है, जिसमें एक आवाज़ ट्रैकिंग नंबर, पता, तारीख और कीमत के साथ ऑर्डर की पुष्टि पढ़ती है। ये उदाहरण बताने के लिए हैं कि सुधार कैसे सुनाई दे सकते हैं, लेकिन पोस्ट में AWS ने स्वतंत्र बेंचमार्क के नतीजे नहीं दिए हैं।
14 नई आवाज़ें US East (N. Virginia), US West (Oregon), Europe (Frankfurt, Zurich and London), Asia Pacific (Sydney, Seoul, Singapore and Tokyo), Canada (Central) और AWS GovCloud (US-West) में उपलब्ध हैं। आवाज़ों की उपलब्धता Region के हिसाब से अलग हो सकती है, इसलिए AWS तैनाती के समय मौजूदा सूची देखने की सलाह देता है।
सीमाएं और ग्राहकों की राय
स्टैंडर्ड और न्यूरल आवाज़ों पर इस बदलाव का असर नहीं पड़ा है। जनरेटिव आवाज़ें अब भी स्पीच मार्क्स का समर्थन नहीं करतीं। यह सुविधा तैयार की गई आवाज़ को उसके टेक्स्ट के साथ सिंक करती है; स्टैंडर्ड और न्यूरल आवाज़ों में इसका समर्थन जारी है। जनरेटिव आवाज़ें SSML का समर्थन करती हैं, जिसके ज़रिए मार्कअप का इस्तेमाल करके आवाज़ के आउटपुट पर कुछ नियंत्रण किया जा सकता है।
Sanoma Media Finland का कहना है कि वह Polly की फ़िनिश न्यूरल आवाज़ का इस्तेमाल करके हर महीने 10,000 से अधिक रियल-टाइम समाचार लेख प्रकाशित करता है। कंपनी के प्रोडक्ट मैनेजर ने कहा कि परीक्षण में नई फ़िनिश जनरेटिव आवाज़ पहले से काफ़ी अधिक स्वाभाविक लगी। यह ग्राहक की प्रतिक्रिया है, प्रकाशित स्वतंत्र तुलना का नतीजा नहीं।
यह क्यों मायने रखता है
AWS के मुताबिक, Polly की जनरेटिव आवाज़ों का पहले से इस्तेमाल कर रहे डेवलपर बिना इंटीग्रेशन बदले या अतिरिक्त भुगतान किए अपडेटेड इंजन पा सकते हैं। हिंदी और फ़िनिश में आवाज़ के विकल्प इन भाषाओं के दर्शकों के लिए बोला गया कंटेंट बनाने वाली टीमों के काम आ सकते हैं। हालांकि, आवाज़ों की उपलब्धता AWS Region पर निर्भर करती है और पोस्ट में प्रदर्शन के स्वतंत्र माप नहीं दिए गए हैं।
