AWS Machine Learning出典公開日2026-10-23 02:06 UTC+8

Amazon Polly、Generativeエンジンのメジャーアップグレードを提供

Amazon Polly Generativeエンジンが、より自然で正確な音声出力を提供するようになりました。今回、 Amazon Polly Generativeエンジンのアップグレードをご紹介します。

Amazon Polly Generativeエンジンが、より自然で正確な音声出力を提供するようになりました。今回、 Amazon Polly Generativeエンジンのアップグレードをご紹介します。これにより、低レイテンシーでより表現力豊かかつ正確な音声出力が実現されます。このアップグレードでは、9のロケールにわたる14の新音声が追加され、その中には初めて一般提供となるヒンディー語およびフィンランド語のGenerative音声が含まれます。本アップグレードは本番環境で一般利用可能です。

重要なのは、既存のGenerative音声にとってドロップインアップグレードであるという点です。音声名とAPI呼び出しは変更されていないため、既存のアプリケーションは現在どおり動作し続けます。

Amazon Polly は、コンタクトセンター、大規模言語モデル(LLM)ベースのエージェント型アプリケーション、メディアとエンターテインメント、eラーニング、アクセシビリティなど、大規模で信頼性の高い音声出力を必要とするさまざまな用途のために、テキストを自然に聞こえる音声に変換する完全マネージド型のAWSサービスです。

違いを聞いてみる

サンプル音声を使用して、改善点を直接評価できます。

より自然で、リアルで、表現力豊かな音声。 Tiffanyが心地よいトーンであなたを迎える様子をお聞きください。
- 「こんにちは!私はTiffany、Pollyの生成音声のひとつです。自然で表現力豊かに、そしてほんの少し楽しく話せるように作られました。何についてお話ししましょうか?」
数値、通貨、住所などの正確な音声生成。 Kennethが、追跡番号、日時、通貨、住所を含む注文確認を読み上げ、正確に伝えます。
- 「お電話ありがとうございます。ご注文番号4471 9902の商品は本日、85 Harbor View Drive、Apartment 4B、Portland、Oregon 97209宛てに発送されます。到着予定は10月22日木曜日の午前9時から午後1時の間です。お支払い総額は$1,284.50で、確認コードはK-7-Q-2-X-9です。」
新規追加言語。 ヒンディー語のArjunとKiara、フィンランド語のSuvi。ヒンディー語とフィンランド語は、Amazon Polly Generativeエンジンで初めて一般提供されます。
- Arjun: こんにちは、本日の主要ニュースをお聞きいただいています。国の多くの地域でモンスーンが去り、天気が快適になってきました。
- Kiara: こんにちは!私の名前はKiaraです。さあ、今日はちょっとしたお話を聞かせてください。
- Suvi: 灯台守は11日間、船を見ていなかった。それから、真夜中を少し過ぎた頃、水平線にひとつの光が瞬いた。1回。2回。そしてその後、信じられないことに、その光は彼の名前を点滅させて返したのだ。
テキストの文脈に基づくさまざまな話し方のスタイル。 新しいAmazon Polly Generativeエンジンによって、手動の設定なしに、テキスト入力に基づいて感情や韻律をこれまで以上に反映できます。
- ニュートラル: “Your package arrived early.”
- 不確かさ: “So, um… your package arrived early. I think?”
- 驚き：「えっ、何ですって？荷物が早く届いたんですか？」

新たな音声、言語、およびリージョン提供の追加

Amazon Polly Generativeエンジンのカタログ全体の拡充 – 11言語・25ロケールを対象に、合計57の生成音声を提供。
14の新音声 9ロケールで追加 – 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）。
Generativeエンジンで一般提供された新言語 – ヒンディー語とフィンランド語。
リージョン拡大 AWS GovCloud (US-West) への対応 – 合計11のAWSリージョンで利用可能に。

エンタープライズ向けの本番環境対応音声ワークフローのために構築

アップグレードされたAmazon Polly Generativeエンジンは、標準のAmazon Polly API呼び出しを使用して音声アプリケーションを構築します。Amazon Pollyを使用すれば、使い慣れたAWSのパターンで引き続き構築できます。同じAmazon Polly APIを呼び出し、AWS Identity and Access Management (IAM) でアクセスを管理し、既存のアプリケーションやコンタクトセンターのフローで出力を利用し、顧客向けに音声を合成するワークロードを監視することができます。

このリリースは、既存のAmazon Polly実装で聞くことができる音声出力の品質を向上させることを目的としています。アップグレードされた音声を利用するためにコードの変更は不要です。Amazon Polly Generative音声をすでに使用しているアプリケーションでは、アップグレードはその場で適用されます。新しいアプリケーションでは、同じ SynthesizeSpeech APIにより、より大規模なGenerative音声カタログのセットにアクセスできます。Bi-Di Streaming APIを使用すると StartSpeechSynthesisStream、テキストをAmazon Pollyにストリーミングし、同時に合成された音声を受け取ることができます。これは、音声エージェントやゲーム内の独自キャラクターなど、リアルタイムアプリケーションに適しています。

競争力のある価格性能

Amazon Polly Generativeエンジンは、従量課金制で競争力のある料金を提供します。このモデルのアップグレードにより、同じ価格で音声の品質と精度が向上します。コストの増加はなく、新しいSKUもなく、既存の統合への変更もありません。合成された静的プロンプトは追加コストなしでキャッシュおよび再生できます。詳細な料金情報については、 Amazon Pollyの料金を参照してください。

Amazon Polly Generativeエンジンは、より自然で表現力豊かな音声に加えて、リアルタイムアプリケーション向けの低レイテンシストリーミング、きめ細かな制御を可能にするSpeech Synthesis Markup Language（SSML）サポート、フルマネージド型AWSサービスの運用上の信頼性を提供するようになりました。この品質、パフォーマンス、コスト効率の組み合わせにより、幅広い本番環境のユースケースに対応します。

構築できるもの

コンタクトセンター。 カスタマーサービスの会話では、正確性が最も重要です。発信者が注文を確認する際、追跡番号、住所、確認コードを正しく読み上げる音声があれば、人間のオペレーターにエスカレーションすることなくセルフサービスで通話を解決できます。Amazon Polly Generative音声の正確なエンティティ発音と低レイテンシ生成により、自動音声応答（IVR）のやり取りがより会話的に聞こえるようになります。

カスケード型音声エージェント。 音声エージェントフレームワークでAmazon Pollyを使用すると、LLMの応答テキストを明瞭で自然な音声に変換し、WebSocketsまたは電話回線を介してほぼリアルタイムでユーザーにストリーミングできます。これにより、ライブの会話型音声が可能になります。主な利点は、低レイテンシ再生、高いスケーラビリティ、コスト効率です。

メディア、ローカライゼーション、吹き替え。 ビデオ、広告、ポッドキャスト、製品概要、オーディオブック用の完成した音声にスクリプトを変換できます。スタジオセッションなしで、1つの音声でも複数の音声でも使用できます。より自然なイントネーションにより、ポストプロダクションの作業が軽減されます。初めてGenerative版が提供されるヒンディー語とフィンランド語を含む拡大されたロケール対応により、同じパイプラインから1つのコンテンツをより多くの市場にローカライズできます。

eラーニングとトレーニング。 コースウェア、オンボーディング、ナレッジベースの記事を大規模にナレーションし、ソーステキストが変更されるとすぐに更新できます。再録音は不要です。より表現力豊かな話し方が、長編コンテンツを通じたエンゲージメントをサポートします。

アクセシビリティ。 記事、ドキュメント、アプリケーションの明瞭で自然な音読版を提供することで、より多くの人がコンテンツを聴いて楽しむことができます。音読、移動中、またはスクリーンリーダーでの利用が可能です。

インタラクティブかつトランザクション型のエクスペリエンス。 オンデマンドで生成される応答により、ゲーム、キオスク、IVRメニュー、IoTデバイスに音声機能を追加できます。音声が自然に聞こえ、名前、数字、製品の詳細、住所、確認事項を確実に読み上げる必要がある場合にAmazon Pollyを使用してください。

「サノマ・メディア・フィンランドでは、Amazon Pollyを使用してリアルタイムのニュース記事を音声に変換し、リスナーが自分に合ったタイミングで聴けるようにしています。現在、Pollyのフィンランド語ニューラル音声を使用して月に10,000本以上の記事を公開しています。私たちのテストに基づくと、Suviの新しいGenerative音声は従来のニューラル音声に比べて明確な改善であり、明らかに自然に聞こえ、リスナーにより快適な体験を提供します。」

— Justus Reinikainen、Sanoma Media Finland プロダクトマネージャー

はじめに

新しい音声には、以下からアクセスできます。 AWS Management Console, AWS Command Line Interface (AWS CLI)、またはAWS SDK。

前提条件：

Amazon Pollyにアクセスできる有効なAWSアカウント。
AWS Command Line Interface (AWS CLI)がインストールおよび設定済みであること。
Python 3.10+。
Boto3 がインストール済みであること: pip install boto3.
AWS Identity and Access Management (IAM) のアクセス許可: polly:SynthesizeSpeech.

以下は、AWS SDK for Python (Boto3) を SynthesizeSpeech API および生成音声と組み合わせて使用する簡単な例です:

import boto3

polly = boto3.client("polly", region_name="us-east-1")

response = polly.synthesize_speech(
    Text="Hello! This is Amazon Polly's next-generation generative voice.",
    VoiceId="Kenneth",  # any generative voice in the catalogue
    Engine="generative",
    OutputFormat="mp3",
)

with open("speech.mp3", "wb") as f:
    f.write(response["AudioStream"].read())

同じリクエストを AWS CLI で実行することもできます:

aws polly synthesize-speech \
  --region us-east-1 \
  --voice-id Kenneth \
  --engine generative \
  --output-format mp3 \
  --text "Hello! This is Amazon Polly's next-generation generative voice." \
  speech.mp3

プログラムで最新の完全な音声リストを取得するには、 DescribeVoicesを呼び出します。これはデプロイ時のチェックに使用でき、選択した生成音声がアプリケーションが実行されるリージョンで利用可能であることを確認できます。

提供状況

次世代の Generative エンジンと新しい音声は、現在一般提供されています。14 の新しい Generative 音声は、以下の AWS リージョンで利用可能です: 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)、欧州 (チューリッヒ)、欧州 (ロンドン)、アジアパシフィック (シドニー)、アジアパシフィック (ソウル)、アジアパシフィック (シンガポール)、アジアパシフィック (東京)、カナダ (中部)、AWS GovCloud (米国西部)。対象者別の開始方法:

開発者 – 既存のアプリケーションで synthesize_speech を Engine="generative" とともに呼び出します。その他の変更は不要です。
コンタクトセンターチーム – 改善内容は自動的に Amazon Connect および Genesys のフローに反映されます。
Everyone – 内のどの音声にもアクセス可能です Amazon Polly コンソール.

知っておくべきいくつかのポイント:

Standard 音声とニューラル音声は影響を受けません。
ジェネレーティブ音声ではスピーチマークは利用できません （本日時点から変更ありません）。アプリケーションでスピーチマークが必要な場合は、Standard 音声とニューラル音声が引き続きサポートしています。
ジェネレーティブエンジンは引き続き SSML タグをサポートしています。 詳細については、サポートされている SSML タグを参照してください。
ランタイムでの現在の音声の利用可能性を確認してください。 リージョン間でデプロイする際は、 DescribeVoices を呼び出すか、コンソールを確認してください。

まとめ

Amazon Polly の次世代ジェネレーティブエンジンが本日利用可能になり、より自然でより正確な音声を実現し、14 の新しい音声を追加しました。これには、ヒンディー語とフィンランド語で初めて一般提供されるジェネレーティブ音声が含まれ、コードの変更は不要です。料金情報については、 Amazon Polly 料金ページを参照してください。始めるには、 Amazon Polly コンソールを開いて音声を試し、 Amazon Polly ドキュメントを参照して構築を始めてください。

著者について

原文の出典

AWS Machine Learning

原文を読む

内容について

原文の公開と権利は出典元に帰属します。

機械翻訳 · 原文をご参照ください