音声生成AIと読上げの設定について

1. Polly

Pollyは、テキストから音声を生成する音声合成サービスです。テキスト読み上げの設定を細かくカスタマイズすることができ、リアルな音声でメッセージを届けたいときに便利です。Pollyを使えば、さまざまな言語や声のトーンを選択でき、用途に合わせて自然な音声体験を提供できます。

2. SSML

SSML（Speech Synthesis Markup Language）は、テキスト読み上げ時に音声の詳細を制御するためのマークアップ言語です。SSMLを使用すると、発話の速度、ピッチ、音量、ポーズなどを細かく調整できます。以下は、PollyでSSMLを使用してテキストを読み上げる例です。

<speak>
    Today is <say-as interpret-as="date">2024-11-02</say-as>.
    <break time="300ms"/>

    <prosody rate="fast" volume="soft">
        Hi! My name is Joanna.
    </prosody>

    I will read any text you type here.

    For example, if I say "IBM," I could also say 
    <sub alias="International Business Machines">IBM</sub>.

    Here's my name pronounced phonetically: 
    <phoneme alphabet="ipa" ph="dʒoʊænə">Joanna</phoneme>.

    Bonjour in French would be: 
    <lang xml:lang="fr-FR">Bonjour</lang>.
</speak>

上記の入力から生成された音声

SSMLシンタックスのリスト

以下は、よく使用されるSSMLのタグです：

Amazon Polly Standardエンジン対応 SSMLタグ

• <speak>
  ルートタグで、すべてのSSMLコンテンツを囲む
• <say-as>
  特定形式で読み上げ
  例: <say-as interpret-as="date">2024-11-02</say-as>
• <break>
  ポーズを挿入
  例: <break time="500ms"/>
• <prosody>
  読み上げの速度・音量を調整
  例: <prosody rate="slow" volume="soft">こんにちは</prosody>
• <sub>
  略語を別のテキストで読み上げ
  例: <sub alias="日本放送協会">NHK</sub>
• <phoneme>
  発音指定
  例: <phoneme alphabet="ipa" ph="dʒoʊænə">ジョアンナ</phoneme>
• <lang>
  言語指定
  例: <lang xml:lang="fr-FR">Bonjour</lang>

実際に試してみる

以下のリンクからAWSのPollyコンソールでSSMLを使った音声合成を試すことができます。

SSML + Pollyを試す

PollyのPlaygroundを使用すると、リアルタイムでSSMLの結果を確認でき、音声合成の細かい調整を簡単に行えます。

P.S.

インバウンド対策のWebサービス「リングイスト」でもPollyを使用して音声を生成しています。