双方向ストリーミングによる音声の合成

Amazon Polly は、アプリケーションとサービス間の双方向通信で HTTP/2 接続を確立するStartSpeechSynthesisStreamオペレーションを提供します。合成されたオーディオフローが戻る間、テキストはアプリケーションから Amazon Polly に流れます。テキストは使用可能になると送信され、Amazon Polly は合成時に音声を返します。一方の側はもう一方の側が終了するのを待つ必要はありません。

これは、一度にすべてではなく、テキストが徐々に生成される場合に便利です。例えば、Amazon Bedrock の基盤モデルを搭載したカスタマーサービスチャットボットは、トークンごとにレスポンストークンを生成します。双方向ストリーミングを使用すると、モデルが生成する各テキストチャンクを Amazon Polly に転送し、モデルが残りのレスポンスを生成している間に発信者への音声の再生を開始できます。

このオペレーションには、生成エンジンと HTTP/2 イベントストリームをサポートする AWS SDK が必要です。オーディオは、アプリケーションが完全なオーディオ出力に蓄積する一連のチャンクとして到着します。スピーチマークは、このオペレーションではサポートされていません。