めちゃくちゃ簡単 Amazon Polly

AIとか音声解析とか聞くとなんか難しそうだけど、Amazonが提供しているサービスを使うと簡単に実装できるので、試してみた！

Amazon Pollyとは

文章をリアルな音声に変換するサービス。テキスト読み上げができるアプリケーションを作成できるため、まったく新しいタイプの音声対応製品を構築できる。Polly は、高度な深層学習技術を使用したテキスト読み上げサービスで、人間の声のような音声を合成します。

ひと昔前はあきらか、機会が読んでる感じの音声だったけど、かなり人間に近い音声！！

ひとまず実装してみる

環境を作成するのが手間なのでLambdaを使って実装。
プログラムはLambdaで提供があるPython 3.7。

入力された音声をPollyを使って音声に変換し、mp3ファイルをS3に保存する。
これだけでOK。

from boto3 import Session
from boto3  mport resource
from contextlib import closing
import os
import sys

def lambda_handler(event, context):
    session = Session(region_name="ap-northeast-1")
    polly = session.client("polly")
    
    s3 = resource('s3')
    bucket = s3.Bucket("XXXXXXXX")
    
    response = polly.synthesize_speech(
        Text=event['text'],
        #Engine="neural",
        OutputFormat="mp3",
        VoiceId="Mizuki")
    with closing(response["AudioStream"]) as stream:
        bucket.put_object(Key="test1.mp3", Body=stream.read())

簡単にプログラムの解説。

from boto3 import Session
from boto3  mport resource

AWSの各種サービスを簡単に仕様できるライブラリboto3を使って実装。
resourceはS3を使用しているので必要。
※ライブライはC++、Go、Java、JavaScript,.Net、Node.js、PHP、Rubyがある

    session = Session(region_name="ap-northeast-1")
    polly = session.client("polly")

サービスを使用するためには必ずSessionというAWSとの接続情報が必要。
リージョンはアジア東京を指定。
pollyを使用するためのオブジェクト取得。

    s3 = resource('s3')
    bucket = s3.Bucket("XXXXXXXX")

S3に保存する為、保存先のバケットを取得。
XXXXXXXXはバケット名を取得

polly.synthesize_speech

これがAmazonから提供されている「プレーメテキストまたはSSMLをバイトストリームに変換」する関数。
API仕様 こちらから

おもしろそうなところだと

• Engine : standardまたはneural
  neuralはより人間に近い自然な感じで話す
  ※2019/12/20現時点では日本語未対応

• TextType : ssml または text
  ssmlは発音、音量、ピッチ、話す速度など、音声のさまざまな要素をカスタマイズして制御できるようになる。

下の例だと
whispered：ささゆく声で
x-slow:ゆっくり
loud:呼吸音は多め

<speak>私には秘密があります。あなたにだけこっそり教えます。
<amazon:effect name="whispered">
<prosody rate="x-slow">
<prosody volume="loud">私は人間ではありません。</prosody>
</prosody>
</amazon:effect>
信じられますか?</speak>

サポートタグは こちら

VoiceId:話す人の声を選択できる

料金

従量課金制。処理したテキストの文字数に応じて毎月請求。
100 万字あたり 4.00 USD。ニューラル音声の料金は、100 万字あたり 16.00 USD。

料金例は　こちらから

捕捉

ACCESS_KEY、SECRET_KEYを指定せずに正常にsessionが取得できているのはLambdaを使っているからですね。
ポリシーを作成し、Lambda実行するロールに割り当ている。

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": [
                "polly:SynthesizeSpeech",
                "s3:ListBucket",
                "s3:PutObject"
            ],
            "Resource": "*"
        }
    ]
}

polly:SynthesizeSpeechの使用とs3への保存を許可。

これがないと下記のエラーが出る。

"errorMessage": "An error occurred (AccessDeniedException) when calling the SynthesizeSpeech operation: User: arn:aws:sts::XXXXXXXX:assumed-role/[role名] is not authorized to perform: polly:SynthesizeSpeech"