AWSはAmazon Pollyの音声クローン機能を一般提供しました。ただし、利用できるアカウントは限られています。この機能では、クローン作成に同意した1人の話者の録音から合成音声を作ります。企業はその音声を使って、電話システム、アプリ、ゲーム、教材などの音声を生成できるため、新しい台詞を録音するたびにスタジオで収録する必要がありません。
AWSによると、音声の作成は無料ですが、クローン音声を使った音声生成は従量課金です。対応言語は提供開始時点で英語、スペイン語、ドイツ語、フランス語、イタリア語、ポルトガル語、ヒンディー語です。クローン音声が話すのは録音に使った言語のみです。またAWSは、検証済みの録音地域以外のアクセントについては、テストが十分ではないとしています。
音声クローンの作成方法
顧客は合計15分以内で、1~10件の録音を提出します。AWSは、静かな部屋で1人の話者が録音した、自然な音声を2~10分用意することを推奨しています。音声の作成には通常5~10分かかり、バックグラウンドで処理されます。作成後は、開発者がPollyの音声生成ツールから利用でき、Amazon S3に保存する長尺音声の生成にも使えます。
この機能は、すべての顧客に自動で有効になるわけではありません。AWSによると、一部のPolly顧客はすでに利用でき、その他の顧客はAWSのアカウントチームに問い合わせるか、申請できます。Pollyの生成エンジンに対応するAWSリージョンで提供され、米国GovCloudリージョンも含まれます。提供開始時点での上限は、1アカウント・1リージョンあたりクローン音声10件です。
同意と管理も設定に含まれる
音声を作成する際、顧客は話者の同意を得ていることを確認する必要があります。AWSによると、クローン音声で生成した音声にはウォーターマークが付与され、音声の作成後に元の録音データのコピーは削除されます。また、その録音データをPollyのモデル学習に使うことはありません。作成された音声データは暗号化され、顧客が削除するまで保持されます。
クローン音声を利用できるのは、作成したAWSアカウントとリージョン内に限られます。アカウント所有者は、利用できるユーザーやサービスを管理し、音声を削除できます。別のリージョンやアカウントで使うには、録音から音声を作り直し、それぞれのコピーについて話者の同意が得られていることを確認する必要があります。
AWSは、一貫した顧客サービス用の案内音声や、録音セッションを再度予約せずに修正できるナレーションなどを用途として挙げています。一方で、実際に使う前に自社の台本で音声を確認するよう顧客に勧めています。名前や数字はテストが必要な場合があり、同じ文章でも生成するたびに聞こえ方がわずかに変わることがあります。
なぜ重要か
Pollyを顧客サービスの電話窓口やアプリで使う企業は、一貫した声を保ちながら音声案内を更新できる可能性があります。ただし、利用には制限があり、話者の同意を得たうえで、実際に使う台本で生成音声をテストする必要があります。