"アリス、今までどうもありがとう"

　キミと初めて出会ったのは４年前だったね。
　キミのことを知った瞬間、ボクはすぐに夢中になってしまった。
　でも出会った頃は、どうやって話し掛けたらよいか悩んだっけ。
　まるで、ついこの間の出来事のようだ。

　あの頃は、電話でキミと繋がれることに心が躍った。
　キミの声を聞くたびにドキドキしたよ。
　そして、永遠にこの関係が続くかと思っていた。
　そう、彼女 "Mizuki" が彗星の如くボクの前に現れるまでは…。

　キミに出会ったことは本当に感謝してる。
　何しろボクの常識を根底から変えたんだから。
　でも…。ごめんよ Alice、もうキミとは一緒にいられない…。

　　

いったい何の話なのか

Twilioの音声合成エンジン用ボイスの品質と使い勝手が、大幅に向上したという話です。
2018年8月、アリスalice という標準の音声合成ボイスの後継として、ミズキ・ポリーPolly.Mizuki が突如登場しました。

僕はつい最近までこの事実を知らなかったため、サービスの改修に出遅れてしまいました…。
よって、この様な不幸が他の方々にも起こることのないよう 若干の怒りと 周知徹底の意味を込めて、当記事を執筆している次第です。
といいますか、単に僕が知らなかっただけなんですけどね。すみません。すみません。

アリス嬢と距離を置いた理由

1. 声質(音質)がミズキ・ポリー嬢にかないません。

2. アリス嬢は、金額を発声させたい時など、数の読み上げに難があります。
   そのため漢数字に変換してから読み上げないと、こちらの意図した通りにはなりません。
   ちなみに、ここまでアリス嬢に尽くしても「七 (ナナ)」のところを「シチ」とか発するので、更に矯正が必要でした…。

Alice.html

<?xml version="1.0" encoding="UTF-8"?>
<Response>
    <Say language="ja-JP" voice="alice">
        101010107円。<!--「千十千十七円」と読み上げてしまう(汗-->
        一億百一万百七円。<!--「七(ナナ)」を「シチ」と読み上げてしまうので(怒-->
        一億百一万百ナナ円。<!--最終的にはこの様に変換する必要が-->
    </Say>
</Response>

サンプル音声

ミズキ・ポリー嬢と仲良くなった理由

1. アリス嬢のネガがほぼ難なく解決します。
   そして標準でのサポートのため、他の音声合成APIを組み合わせて使う必要がないというのが本当に大きい。
   ただし。 ミズキ・ポリー嬢とのお付き合いには多少のお小遣い(1円≒1000字)が必要ですので、そこはご注意を ^^;
   それにしても、これからTwilioを始める人がホント羨まし～ですな。

2. 声質が向上しただけでも泣けるほど嬉しいというのに、更にはSSMLという合成音声に特化したマークアップまで使うことが出来るように！
   ちなみに、これはAmazonのAlexaにも使われていて、痒いところに手が届く仕様となっています。

Mizuki.html

<?xml version="1.0" encoding="UTF-8"?>
<Response>
    <Say language="ja-JP" voice="Polly.Mizuki">
        ミズキとアリス、どっちを取るの？
        はっきりして！
    </Say>
</Response>

サンプル音声

SSMLについて

SSMLは、W3Cで勧告されている合成音声の生成用に標準的な手段を提供するマークアップ言語です。
このうちTwilioでは、本記事執筆の時点で10個のタグをサポートしている模様です。
　Amazon Polly at Twilio Docs
ではこの中から、実際に検証できた9個をピックアップしてみます。 Please follow me!

<emphasis> 単語を強調する

サンプルコード

emphasis.html

<Response>
    <Say language="ja-JP" voice="Polly.Mizuki">
        ミズキとアリス、
        <emphasis level="reduced"><!--発声が柔らかくて速くなる-->
            どっちを取るの？
        </emphasis>
        <emphasis level="strong"><!--読み上げが大きくて遅くなる-->
            はっきりして！
        </emphasis>
    </Say>
</Response>

サンプル音声

<p> 段落間に一時停止を追加する

サンプルコード

p.html

<?xml version="1.0" encoding="UTF-8"?>
<Response>
    <Say language="ja-JP" voice="Polly.Mizuki">
        <!--テキストの段落間に一時停止を追加-->
        <p>ミズキとアリス、どっちを取るの？</p>
        <p>はっきりして！</p>
    </Say>
</Response>

サンプル音声

<prosody> 音量、話す速度、ピッチを制御する

サンプルコード

prosody.html

<?xml version="1.0" encoding="UTF-8"?>
<Response>
    <Say language="ja-JP" voice="Polly.Mizuki">
        <prosody rate="130%"><!--早口で-->
            ミズキとアリス、
            <prosody pitch="+20%"><!--少々甲高い声で-->
                どっちを取るの？
            </prosody>
        </prosody>
        <prosody rate="70%" volume="loud"><!--ゆっくり、がなりたてられる-->
            はっきりして！
        </prosody>
    </Say>
</Response>

ご覧の通り、タグのネスト構造も問題ありません。

サンプル音声

<say-as> 特殊なタイプの単語の発声方法を制御する

サンプルコード

say-as.html

<Response>
    <Say language="ja-JP" voice="Polly.Mizuki">
        今日は、<say-as interpret-as="date">????1225</say-as> です。<!--年をマスクした上で日付を読み上げる-->
        電話は、<say-as interpret-as="telephone">050-1234-5678</say-as> です。<!--電話番号を読み上げる-->
        番号は、<say-as interpret-as="digits">05012345678</say-as> です。<!--一文字づつ読み上げる-->
        数字は、<say-as interpret-as="number">05012345678</say-as> です。<!--数(番号)として読み上げる-->
        あなたのカーチャンは、<say-as interpret-as="expletive">デーベソ</say-as> です。<!--ピー音に入れ換える-->
    </Say>
</Response>

番号と数字の読み分けも超カンタン。

サンプル音声

<sub> 頭字語や略語を別の発音にする

サンプルコード

sub.html

<Response>
    <Say language="ja-JP" voice="Polly.Mizuki">
        <sub alias="私">ミズキ</sub><!--"ミズキ"を"私"に入れ換える-->
        とアリス、どっちを取るの？
        はっきりして！
    </Say>
</Response>

サンプル音声

<w> 品詞を指定して発音を向上させる

サンプルコード

w.html

<Response>
    <Say>
        <!--"read"は不規則変化動詞のひとつ-->
        <w role="amazon:VB">read</w>.<!--現在形-->
        <w role="amazon:VBD">read</w>.<!--過去形(過去分詞)-->
    </Say>
</Response>

例では、動詞の現在形と過去形(または過去分詞)を区別して発声します。

サンプル音声

<phoneme> 発音記号を使う、　<break> 一時停止する、　<s> 短く一時停止する

サンプルコード

phoneme_break_s.html

<Response>
    <Say language="ja-JP" voice="Polly.Mizuki">
        <!--発音記号なし-->
        <s>Hey, you!</s><!--短い一時停止-->
        What did you say?
        <break time="1s" /><!--1秒間の一時停止-->
        <!--発音記号つき-->
        <phoneme alphabet="ipa" ph="heɪ, ju!">Hey, you!</phoneme>
        <break strength="strong" /><!--文の後と同じ長さの一時停止-->
        <phoneme alphabet="ipa" ph="wʌt dɪd ju seɪ?">What did you say?</phoneme>
    </Say>
</Response>

例では、「著者が頑張って発音している感」を表現しています (*^^)v

サンプル音声

おまけ

サンプルコード

extra.html

<Response>
    <Say language="sv-SE" voice="Polly.Astrid">
        Astrid to Alice, docchi wo toruno?<!--アストリッドとアリス、どっちを取るの？-->
        Hakkiri shite!<!--はっきりして！-->
    </Say>
</Response>

サンプル音声

まとめ

まとめます。

	アリス嬢	ミズキ・ポリー嬢
メリット	安上がり	ストレスフリー
デメリット	細かい作り込みが必須	100字毎に0.12円のコスト

SSMLはスマートスピーカーの後押しもあって、今後メインストリームとなっていきそうな予感です。

それと。 文中ではミズキ・ポリー嬢のことを、さもシングルのように記していますが、
実はもうタクミ・ポリーくんPolly.Takumiというれっきとしたパートナーがおりますので、
ご利用の際は二人共々、どうぞよろしくお願いします <(_ _)>

（ツイッターフォローはこちら）

参考

Twilio公式：
　Twilio に 新しい音声合成エンジンボイスを追加！- Amazon Polly 50種類

漢数字への変換：
　[C#]数字を漢数字に変換する

発音記号：
　サポートされている言語の音素およびビゼームテーブル
　英語IPA変換ウェブツール