Amazon Polly の音声クローンが一般提供開始:7言語対応、音声作成は無料、利用には申請が必要

AWS は Amazon Polly の音声クローン機能を、ゲート制で一般提供すると発表しました。7言語に対応し、音声の作成は無料、利用は従量課金です。現在はアカウント単位で有効化され、AWS のアカウントチームまたは申請ページから利用権限を得る必要があります。

ニュース日: 読了目安 8 分

LINEで送る
目次
  1. 1. Amazon Polly の音声クローンとは?通常の音声との違いは?
  2. 2. 提供段階は?対応言語・リージョン・制限は?
  3. 3. 始め方は?
  4. 4. 実際のワークフローにどう影響する?

AWS は、テキスト読み上げサービス Amazon Polly の音声クローン機能を一般提供すると発表しました。ただしゲート制(gated)のリリースで、現在は一部の Polly 顧客に対して有効化されており、その他の顧客は AWS のアカウントチームへの問い合わせか申請が必要です。AWS によると、企業や開発者は同じブランドの声でカスタマーサポート音声、オーディオブック、アプリのナレーションを制作でき、台本を変えるたびに録り直す必要がなくなります。

Amazon Polly の音声クローンとは?通常の音声との違いは?

AWS によると、顧客が声の複製に同意した話者の数分間の録音を提供すると、Polly が専用のクローン音声を作成します。この音声は Polly の生成エンジン、つまり AI でより自然な音声を作り出す Polly の技術上で動作します。AWS は、自然さと正確さは他の生成音声と同程度だとしています。クローン音声は自動的に暗号化され、アクセス制御が設定され、AWS は作成したアカウントだけが使用できるとしています。

AWS が挙げる用途は、IVR(電話の自動音声応答システム)、音声エージェント、モバイルアプリ、コネクテッドデバイス全体で一貫したブランドの声を保つこと、コンタクトセンターの音声ガイダンス、オーディオブック、講座、ポッドキャスト、ゲームのキャラクター、そしてアクセシビリティ対応の読み上げやパーソナライズされた対話です。

提供段階は?対応言語・リージョン・制限は?

AWS はこの機能を、一般提供のゲート制リリースと位置づけています。対応リージョンは Polly の生成エンジンと同じで、AWS GovCloud (US) も含まれます。AWS が挙げるリージョンは、米国東部(バージニア北部)、米国西部(オレゴン)、フランクフルト、チューリッヒ、ロンドン、シドニー、ソウル、シンガポール、東京、カナダ(中部)、GovCloud(US-West)です。日本からは東京リージョンで利用できます。

Amazon Polly 音声クローンの主な仕様(AWS の発表内容)
項目AWS の説明
提供段階一般提供、ゲート制、アカウント単位で有効化
言語英語、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
録音1音声あたり1~10本、合計最長15分。推奨は2~10分
作成時間通常5~10分、非同期(バックグラウンドで完了)
クォータアカウントごと・リージョンごとに初期10音声。CreateVoice と DeleteVoice は合わせて1リクエスト/秒
料金音声の作成は無料。利用は従量課金で、詳細は Polly の料金ページを参照
制御作成アカウントに紐づく。IAM(AWS の権限管理)で制御。独自の KMS(AWS のキー管理サービス)キーで暗号化可能

始め方は?

AWS によると、アカウントが有効化されている場合、Polly コンソールの左側パネルに「Voice cloning」が表示されます。AWS が示すコンソールでの手順は次のとおりです。

  1. コンソールで左側パネルを開き、Voice cloning を選択します。
  2. 最大10本の録音をアップロードするか、Amazon S3 から選択します。コンソールからのアップロードは1ファイル最大5 MBです。
  3. 利用規約を確認し、Create を選択します。
  4. 音声が完成したら、詳細ページで試聴します。

プログラムから使う場合、AWS は最新版の boto3(AWS の Python 開発キット)と、関連する IAM 権限が必要だとしています。IAM は AWS のアカウント権限管理サービスです。流れとしては、まず TermsAccepted=True を設定して CreateVoice で音声を作成し、GetVoice で状態を確認し、最後に Engine="generative" を指定して SynthesizeSpeech または StartSpeechSynthesisTask で音声を生成します。完全なコード例は AWS の原文をご覧ください。

実際のワークフローにどう影響する?

AWS は、音声の作成に数分かかるため、ユーザーのリクエストの一部ではなく、事前準備の工程として扱うことを勧めています。電話の挨拶のような固定のプロンプトについては、先に音声を生成し、話者やブランドチームの確認を取ってから保存済みのファイルを配信することを推奨しています。同じテキストでもリクエストごとにわずかな差が出る可能性があるためです。AWS はまた、音声のスタイルは録音から取り込まれ、複数の感情を混ぜることはできないと注意しており、自社の製品名、数字、住所で実際にテストするよう勧めています。正しい発音を指定する音素タグは、英語、フランス語、イタリア語、ドイツ語、スペイン語のクローン音声で利用できます。

データの扱いについて、AWS は、音声の作成後、Polly は録音のコピーを保持せず、Polly のモデルの学習にも使用しないとしています。Polly が保持するのは合成に必要な暗号化された音声データのみで、顧客自身の KMS キーで暗号化でき、DeleteVoice を呼び出すと直ちに削除されます。

よくある質問

現在、すべての AWS 顧客が使えますか?

いいえ。AWS によると、アクセスはアカウント単位で有効化され、一部の Polly 顧客はすでに有効です。それ以外の顧客は AWS のアカウントチームに連絡するか、アクセスを申請する必要があります。

1つのクローン音声で複数の言語を話せますか?

AWS によると、各クローン音声は録音時の言語のみを話します。多言語の体験が必要な場合は、対応言語ごとに音声を作成し、確認する必要があります。

音声の作成にはいくらかかりますか?

AWS によると、クローン音声の作成は無料で、利用は従量課金です。具体的な料金は Amazon Polly の料金ページをご確認ください。

クローン音声はいくつまで作れますか?

AWS によると、アカウントごと・リージョンごとの初期クォータは10音声です。引き上げが必要な場合は、アカウントチームまたは AWS Support にご連絡ください。

生成された音声が合成だと判別できますか?

AWS によると、Polly はクローン音声が生成するテキスト読み上げ音声に透かしを入れます。

このトピックの最新ニュースを見る

この記事が役に立ったら、必要な方にシェアしてください

LINEで送る

出典

上記の参考資料および記載の確認日時点の情報をもとに整理しています。料金・時刻・機能・利用規約は変更される場合があるため、ご旅行や予約・購入の前には該当する公式サイトで最新情報をご確認ください。

ライフスタイル