Vozes generativas
O mecanismo generativo de conversão de texto em fala (TTS) do Amazon Polly oferece as vozes de conversação mais humanas, emocionais e adaptáveis disponíveis para uso por meio do console do Amazon Polly.
O mecanismo generativo é o maior modelo de TTS do Amazon Polly até o momento. Ele implanta um transformador de bilhões de parâmetros que converte texto bruto em códigos de fala, seguido por um decodificador baseado em convolução que converte esses códigos de fala em formas de onda de maneira incremental e transmissível. Esse método mostra as capacidades emergentes amplamente relatadas de grandes modelos de linguagens (LLMs) quando treinados em volumes crescentes de dados proprietários e disponíveis publicamente, abrangendo uma variedade de vozes, idiomas e estilos.
O mecanismo generativo cria uma fala sintética que é emocional, assertiva e altamente coloquial de uma maneira consideravelmente semelhante a uma voz humana. Você pode usar essas vozes como um experiente assistente para os clientes, treinador virtual ou anunciante com um discurso sintético quase humano.
nota
A tecnologia de ponta por trás dessas vozes se enquadra no paradigma da IA generativa para modelagem de linguagem e voz. Um efeito colateral da tecnologia é que qualquer atualização nos dados de treinamento e no modelo pode resultar em pequenas variações na forma como as vozes soam, mesmo no caso de sua qualidade geral melhorar com as atualizações do modelo. Isso pode ter um impacto nos casos de uso em que diferentes partes do conteúdo são sintetizadas por um longo período, por exemplo, uma temporada de podcasts.
Vozes generativas disponíveis
No momento, o Amazon Polly oferece 27 vozes em uma variante generativa. Essas vozes generativas também estão disponíveis em uma variante de NTTS conversacional.
| Idioma | Código do idioma | Nome/ID | Sexo | |
|---|---|---|---|---|
1 |
Inglês (australiano) |
en-AU |
Olivia |
Feminino |
2 |
Inglês (indiano) |
en-IN |
Kajal |
Feminino |
3 |
Inglês (sul-africano) |
en-ZA |
Ayanda |
Feminino |
4 |
Inglês (Reino Unido) |
en-GB |
Amy |
Feminino |
5 |
Inglês (EUA) |
en-US |
Danielle Joanna Matthew Ruth Salli Stephen |
Feminino Feminino Masculino Feminino Feminino Masculino |
6 |
Francês (belga) |
fr-BE |
Isabelle |
Feminino |
7 |
Francês (canadense) |
fr-CA |
Gabrielle Liam |
Feminino Masculino |
8 |
Francês (França) |
fr-FR |
Céline Léa Rémi |
Feminino Feminino Masculino |
9 |
Alemão (Alemanha) |
de-DE |
Daniel Vicki |
Masculino Feminino |
10 |
Italiano (Itália) |
it-IT |
Bianca |
Feminino |
11 |
Polonês (Polônia) |
pl-PL |
Ewa Ola |
Feminino Feminino |
12 |
Espanhol (mexicano) |
es-MX |
Andrés Mía |
Masculino Feminino |
13 |
Espanhol (Espanha) |
es-ES |
Lúcia Sergio |
Feminino Masculino |
14 |
Espanhol (EUA) |
es-US |
Lupe Pedro |
Feminino Masculino |
nota
O custo das vozes generativas é especificado na página de informações sobre preços do Amazon Polly
Compatibilidade de recursos e regiões
As vozes generativas do Amazon Polly estão disponíveis nas seguintes regiões:
-
Leste dos EUA (Norte da Virgínia): us-east-1
-
Europa (Frankfurt): eu-central-1
-
Oeste dos EUA (Oregon): us-west-2
-
Outras regiões não estão disponíveis
Os seguintes recursos são compatíveis com as vozes generativas:
-
Operações de síntese de fala em tempo real e assíncrona.
-
O estilo de fala de âncora não é compatível com o mecanismo Generativo.
-
Muitas (mas não todas) etiquetas SSML são compatíveis com o Amazon Polly. Para obter mais informações sobre tags SSML compatíveis com NTTS, consulte Tags SSML compatíveis
-
Assim como ocorre com vozes padrão, é possível escolher entre várias taxas de amostragem para otimizar a largura de banda e a qualidade do áudio para seu aplicativo. As taxas de amostragem válidas para vozes padrão e neurais são 8 kHz, 16 kHz, 22 kHz ou 24 kHz. O padrão para vozes padrão é 22 kHz. O padrão para vozes generativas é 24 kHz. O Amazon Polly é compatível com os formatos de stream de áudio MP3, ogg_vorbis e PCM bruto.
Ainda não há suporte à geração de marcas de fala.
nota
Para o caso improvável de alucinação do modelo (e considerando o comportamento do modelo do mecanismo generativo de renderizar a fala token por token), há um mecanismo de parada de emergência imposta em vigor. O mecanismo integrado impede que o modelo continue a renderizar a fala. Esse recurso de segurança é baseado na análise de dados em que o modelo tem o potencial de alucinar, geralmente no final da frase.
Pode haver casos em que o modelo pensa que vai alucinar e acaba cortando uma palavra durante uma etapa de geração, renderizando assim metade da palavra. Isso pode gerar resultados inadequados.
