Gondoltál már arra, milyen lenne, ha egy cég telefonos ügyfélszolgálatán, egy hangoskönyvben vagy egy alkalmazásban nem egy jellegtelen robot, hanem egy ismerős hang szólalna meg? Ezt a problémát hivatott megoldani az új funkció.
Mit jelent a hangklónozás?
A szövegfelolvasás (TTS) olyan szoftver, amely az írott szöveget beszéddé alakítja. A hangklónozás egy lépéssel tovább megy: megtanulja egy konkrét ember hangzását, így a kimenet akkor is ennek az embernek a hangján szólal meg, ha az illető soha nem mondta fel a felolvasott szöveget.
Az Amazon szerint a klónozott hangok az Amazon Polly generatív motorján futnak, amely a vállalat újabb beszédelőállító rendszere. Az Amazon állítása szerint ezek a hangok nagyjából olyan természetesen és pontosan szólnak, mint a szolgáltatás többi generatív hangja.
Így működik a folyamat
Az Amazon négy szakaszt ismertet:
- Felvétel: Készíts felvételeket egyetlen beszélőtől. Közvetlenül egy kéréssel is elküldheted őket, feltöltheted a kezelőfelületen, vagy eltárolhatod egy Amazon S3-bucketben (felhőalapú tárhelyen), majd megadhatod az Amazon Pollynak, hol találja őket.
- Létrehozás: Egy–tíz felvételt kell megadnod, valamint a felvételek nyelvét és annak megerősítését, hogy a beszélő hozzájárult a használathoz. Az Amazon Polly azonnal visszaad egy hangazonosítót.
- Várakozás: A hang létrehozása a háttérben zajlik, és általában öt–tíz percet vesz igénybe. Az Amazon szerint a szolgáltatás közben a hanganyag minőségét is ellenőrzi.
- Használat: Amint elkészül a hang, szöveget küldhetsz neki, és ezen a hangon kapod vissza a beszédet.
💬 Példa: Gondolj a felvételekre nyersanyagként. Minél tisztább és egyenletesebb hanganyagot biztosít a beszélő, annál jobb eredményt tud belőle létrehozni az Amazon. (Az Amazon saját felvételi tippjeit a hivatalos dokumentációban találod.)
Nyelvek, adatvédelem és hozzáférés
Induláskor az Amazon hét nyelvet sorol fel: angol, spanyol, német, francia, olasz, portugál és hindi. Minden klónozott hang csak azon a nyelven szólal meg, amelyen rögzítették. Ha több nyelven szeretnél hangot használni, nyelvenként külön hangot kell létrehoznod és ellenőrizned.
Az Amazon szerint a klónozott hangokat a rendszer automatikusan titkosítja (vagyis úgy kódolja, hogy kívülállók ne tudják elolvasni), és hozzáférés-szabályozással is védi őket, így csak a te fiókod használhatja őket. Minden hang létrehozásakor megerősíted, hogy a beszélő hozzájárult a használathoz.
Az Amazon szerint a funkció minden olyan AWS-régióban elérhető, amely támogatja a generatív motort, beleértve az AWS GovCloud (US) régiót is. Egyes ügyfeleknél a hozzáférés már engedélyezve van. Mások felvehetik a kapcsolatot az AWS-fiókjukért felelős csapattal, vagy hozzáférést kérhetnek.
A számlázás használat alapján történik. Az Amazon szerint magának a klónozott hangnak a létrehozása díjmentes, a klónozott hang használatáért viszont használatalapú díjat kell fizetni. Az aktuális árakért nézd meg az Amazon Polly hivatalos árlistáját.
Összegzés
Az Amazon Polly hangklónozása néhány percnyi, hozzájárulással készült felvételből egyedi hangot hoz létre, amely hét nyelven tud új szövegeket felolvasni. Az Amazon szerint a hangok titkosítva vannak, hozzáférés-szabályozás védi őket, és számos AWS-régióban elérhetők. Ha hangalapú tartalmakkal dolgozol, jó következő lépés lehet elolvasni az Amazon hivatalos bejelentését és a hangklónozásról szóló dokumentációt, majd eldönteni, hogy belefér-e egy rövid teszt a projektedbe.
