Amazon Polly、Generativeエンジンをアップグレード、14ボイス追加でHindiとFinnishに対応
Amazon Polly delivers a major upgrade to its Generative engine
Amazon PollyがGenerativeエンジンのアップグレードを一般提供した。9ロケールで14の新ボイスを追加し、Hindiと Finnishのgenerativeボイスが初めて一般提供となった。ボイス名とAPI呼び出しは変わらず、既存アプリはコード変更なしで新しい品質を利用でき、料金も据え置きである。
今回のアップグレードは、より自然で表現力が高く、数字、通貨、住所などをより正確に読み上げる音声出力を、低レイテンシで提供するものである。テキストの文脈に応じて、手動設定なしで感情や抑揚を反映できるとしている。Generativeエンジンのボイスは合計で11言語、25ロケール、57ボイスとなった。リージョンはAWS GovCloud (US-West)が加わり、合計11リージョンである。
新ボイスはUS English（Kenneth、Nate）、Australian English（Russell、Curtis）、Indian English（Kiara、Arjun）、German（Tina）、US Spanish（Carlos）、Brazilian Portuguese（Leo、Carolina）、Korean（Hyunduk）、Hindi（Kiara、Arjun）、Finnish（Suvi）である。新ボイスはAsia Pacific (Tokyo)を含む複数のリージョンで利用できる。
既存のgenerativeボイスを使うアプリではアップグレードが自動で適用される。新規利用でも同じ`SynthesizeSpeech` APIを使い、Boto3やAWS CLIで`Engine="generative"`を指定すればよい。双方向ストリーミングAPIの`StartSpeechSynthesisStream`により、テキストを送りながら音声を受け取れるため、音声エージェントやゲームのキャラクターのようなリアルタイム用途に向く。提供中のボイスは`DescribeVoices`で確認できる。
料金は従量課金のままで、値上げや新しいSKUはない。想定用途としてコンタクトセンター、LLMを使うカスケード型の音声エージェント、メディアのローカライズや吹き替え、eラーニング、アクセシビリティなどが挙げられている。Sanoma Media Finlandは、月に1万件超の記事をFinnishのneuralボイスで音声化しており、Suviの新ボイスは従来より自然だと評価している。
留意点として、standardとneuralのボイスは今回の対象外である。generativeボイスではspeech marksが使えないが、SSMLタグは引き続き利用できる。コンタクトセンター向けでは、改善がAmazon ConnectやGenesysのフローにも自動で反映されるとしている。
出典: AWS Machine Learning Blog · aws.amazon.com