AWSは、テキスト読み上げサービス「Amazon Polly」の生成音声エンジンを刷新した。同社によると、新エンジンは低遅延で、より自然で表現力があり、正確な音声を生成する。すでに本番環境で一般提供されており、生成音声を利用する既存アプリケーションも、コードやAPI呼び出しを変更せずにアップグレードされる。
今回の更新では、9つのロケールに14種類の音声が追加された。ヒンディー語とフィンランド語は、Pollyの生成エンジンで初めて利用可能になった。AWSによると、生成音声のラインアップは現在、11言語・25ロケールで57種類となり、サービスは11のAWSリージョンで利用できる。
開発者にとっての変更点
アプリケーションでは、引き続き同じAmazon Polly APIを利用できる。AWSによると、アップグレード後も料金は変わらず、新たな製品SKUも追加されない。また、ストリーミングAPIを使えば、テキストの送信と音声の受信を同時に行えるため、リアルタイム音声アプリケーションに適している。
AWSによると、音声は手動で設定しなくても、テキストに応じて感情や話し方をより適切に表現できる。同社は、追跡番号、住所、日付、価格を含む注文確認を読み上げる音声など、サンプル音声を公開している。これらは想定される改善を示すものだが、投稿では独立したベンチマーク結果は示されていない。
新しい14種類の音声は、米国東部（バージニア北部）、米国西部（オレゴン）、欧州（フランクフルト、チューリッヒ、ロンドン）、アジア太平洋（シドニー、ソウル、シンガポール、東京）、カナダ（中部）、AWS GovCloud（米国西部）で利用できる。音声の提供状況はリージョンによって異なるため、AWSは導入時に最新の一覧を確認するよう勧めている。
制限事項と顧客の声
標準音声とニューラル音声に変更はない。生成音声は引き続きスピーチマークに対応していない。スピーチマークは、生成音声とテキストの位置を対応付ける機能で、標準音声とニューラル音声では引き続き利用できる。一方、生成音声は、マークアップを使って音声出力をある程度制御するSSMLには対応している。
Sanoma Media Finlandは、Pollyのフィンランド語ニューラル音声を使い、月に10,000件を超える速報記事を配信している。同社のプロダクトマネージャーによると、テストでは新しいフィンランド語の生成音声が明らかに自然に聞こえたという。これは顧客の感想であり、公表された独立比較の結果ではない。
なぜ重要か
AWSによると、Pollyの生成音声をすでに使っている開発者は、連携を変更したり追加料金を支払ったりせずに、更新されたエンジンを利用できる。ヒンディー語とフィンランド語の音声追加は、これらの言語で音声コンテンツを制作するチームにとって選択肢を広げる可能性がある。ただし、音声の提供状況はAWSリージョンによって異なり、投稿には独立した性能測定結果は掲載されていない。
