¿Alguna vez has deseado que la línea telefónica de una empresa, la narración de un audiolibro o la voz de una aplicación sonara como una voz conocida, en lugar de como un robot genérico? Ese es el problema que pretende resolver esta nueva función.
Qué significa clonar una voz
La conversión de texto a voz (TTS) es un software que transforma palabras escritas en audio hablado. La clonación de voz va un paso más allá. Aprende cómo suena una persona concreta, de modo que el resultado parece producido por esa persona, aunque nunca haya grabado las palabras que se están leyendo.
Amazon afirma que sus voces clonadas funcionan con el motor generativo de Amazon Polly, el sistema más nuevo de la empresa para producir voz. Amazon indica que estas voces suenan aproximadamente tan naturales y precisas como las demás voces generativas del servicio.
Cómo funciona el proceso
Amazon describe cuatro etapas:
- Grabar: Reúnes grabaciones de una sola persona. Puedes enviarlas directamente con una solicitud, subirlas en la consola o guardarlas en un bucket de Amazon S3 (un espacio de almacenamiento en la nube) e indicar a Amazon Polly dónde encontrarlas.
- Crear: Envías entre una y diez grabaciones, el idioma en el que se hicieron y una confirmación de que la persona dio su consentimiento. Amazon Polly devuelve inmediatamente un identificador de voz.
- Esperar: La voz se crea en segundo plano y normalmente tarda entre cinco y diez minutos. Amazon afirma que durante este tiempo el servicio también comprueba la calidad del audio.
- Usar: Cuando la voz está lista, envías un texto y recibes el audio con esa voz.
💬 Ejemplo: Piensa en las grabaciones como la materia prima. Cuanto más limpio y uniforme sea el audio que proporcione la persona, mejor será el resultado que Amazon pueda crear a partir de él. (Los consejos de Amazon para grabar están en su documentación oficial).
Idiomas, privacidad y acceso
En su lanzamiento, Amazon indica siete idiomas: inglés, español, alemán, francés, italiano, portugués e hindi. Cada voz clonada habla únicamente el idioma en el que se grabó. Si necesitas una voz en varios idiomas, debes crear y revisar una por cada idioma.
Amazon afirma que las voces clonadas se cifran automáticamente (se codifican para que otras personas no puedan leerlas) y cuentan con controles de acceso, de modo que solo tu cuenta pueda utilizarlas. Cada vez que creas una voz, confirmas que la persona ha dado su consentimiento.
Amazon afirma que la función está disponible en todas las regiones de AWS que admiten el motor generativo, incluida la región de AWS GovCloud (US). El acceso ya está habilitado para algunos clientes. Otros pueden ponerse en contacto con su equipo de cuenta de AWS o solicitar acceso.
La facturación se basa en el uso. Amazon afirma que no cobra por crear la voz clonada, mientras que el uso de voces clonadas se factura según el consumo. Para consultar las tarifas actuales, revisa la página oficial de precios de Amazon Polly.
En resumen
La clonación de voz de Amazon Polly convierte unos minutos de grabaciones con consentimiento en una voz personalizada capaz de leer textos nuevos en siete idiomas. Amazon afirma que las voces están cifradas, cuentan con controles de acceso y están disponibles en muchas regiones de AWS. Si trabajas con contenido de voz, un buen siguiente paso es leer el anuncio oficial de Amazon y su documentación sobre clonación de voz, y después decidir si una prueba breve encaja en tu proyecto.
