アマゾンが音声読み上げAI刷新、14種類の新音声を追加し価格据え置き

Amazon Web Services（AWS）は、テキストを自然な音声に変換するクラウドサービス「Amazon Polly」の生成（Generative）エンジンに大幅なアップグレードを実施し、一般提供を開始した。低遅延を維持しながら、より自然で表現力豊か、かつ正確な音声出力を実現する。

今回の刷新により、9つの地域・言語向けに14の新しい音声が追加された。内訳は、米国英語（Kenneth、Nate）、オーストラリア英語（Russell、Curtis）、インド英語（Kiara、Arjun）、ドイツ語（Tina）、米国スペイン語（Carlos）、ブラジルポルトガル語（Leo、Carolina）、韓国語（Hyunduk）、ヒンディー語（Kiara、Arjun）、フィンランド語（Suvi）である。特にヒンディー語とフィンランド語の生成音声は今回初めて一般提供される。これにより、Amazon Pollyの生成音声カタログは全体で11言語、25の地域にわたり、合計57音声へと拡大した。

新エンジンは、手動での詳細設定を行うことなく、入力されたテキストの文脈に基づいて感情や韻律を反映できる特徴を持つ。また、注文追跡番号や通貨、日時、住所といった数値・固有名詞の読み上げ精度も向上させた。

既存の生成音声を利用しているアプリケーションに対してはインプレースで更新が適用される。API呼び出しや音声名に変更はなく、利用者のコード修正は不要である。また、双方向ストリーミングAPI「StartSpeechSynthesisStream」を用いることで、テキストの送信と合成音声の受信を同時に行い、対話型音声エージェントなどのリアルタイム処理にも対応する。利用料金は従来の従量課金制のままで据え置かれ、価格改定や新SKUの導入はない。

新機能は、アジアパシフィック（東京、ソウル、シンガポール、シドニー）、米国東部（バージニア北部）、米国西部（オレゴン）、欧州（フランクフルト、チューリッヒ、ロンドン）、カナダ（中部）、AWS GovCloud（米国西部）の合計11のAWSリージョンで提供されている。

現場での活用実績として、フィンランドのメディア企業Sanoma Media FinlandのプロダクトマネージャーであるJustus Reinikainen氏は、従来からポリーのニューラル音声を用いて月間1万件以上の記事を音声化してきた実績に触れ、新たなSuviの生成音声は従来のニューラル音声に比べて目に見えて自然さが増していると評価を寄せた。