YAZエンジニアが運営するメディア

はじめに

今回は、Amazon Pollyを利用して、入力したテキストから音声を生成します。

Amazon Pollyは、テキストを自然な音声に変換できるAWSの音声合成サービスです。

今回はAWSマネジメントコンソールから実際に日本語の音声を生成しながら、 音声エンジンやVoice、出力形式などの設定を確認します。

さらに、生成した音声をMP3形式でAmazon S3へ直接保存します。 また、SSMLを利用した読み上げ方の調整についても確認します。

今回構築する全体像

今回のハンズオンでは、AWSマネジメントコンソールからAmazon Pollyへテキストを入力し、 音声を生成します。

入力テキスト
   ↓
Amazon Polly
   ↓
音声を生成
   ↓
Amazon S3
   ↓
MP3ファイルとして保存

入力した文章をAmazon Pollyへ渡し、選択した音声エンジンやVoiceを利用して音声へ変換します。

生成した音声はその場で再生できるほか、 Amazon Pollyの「S3 に保存」を利用してAmazon S3へ直接保存できます。

Amazon Pollyとは

Amazon Pollyは、入力したテキストを音声に変換する Text-to-Speech（TTS：音声合成）サービスです。

AWSマネジメントコンソールから手軽に試すことができるほか、 APIやAWS SDKを利用してWebアプリケーションなどへ組み込むこともできます。

各機能の役割

Amazon Pollyを利用するメリット

• ・テキストを用意するだけで音声を生成できる
• ・複数の言語やVoiceを利用できる
• ・用途に応じて音声エンジンを選択できる
• ・SSMLを利用して読み上げ方を調整できる
• ・APIやAWS SDKから利用できる
• ・音声合成用のサーバーやモデルを自分で管理する必要がない

事前に人がすべての音声を録音する必要がなく、 読み上げる文章を変更することで新しい音声を生成できます。

Amazon Pollyの主な用途

• ・Webサイトやアプリの文章読み上げ
• ・ニュースや記事の音声化
• ・eラーニング教材のナレーション
• ・電話の自動音声案内
• ・アクセシビリティ対応
• ・アプリやサービスからの音声通知

構築手順

Step1 Amazon Pollyを開く

はじめに、AWSマネジメントコンソールからAmazon Pollyを開きます。

設定手順

1. AWSマネジメントコンソールへログインします。
2. 検索欄から「Amazon Polly」を検索します。
3. Amazon Pollyを開きます。
4. 「テキスト読み上げ機能」の画面へ移動します。

Step2 音声エンジンを設定する

Amazon Pollyでは、音声を生成するときに使用する音声エンジンを選択できます。

今回の設定

今回は、利用する日本語音声に対応したスタンダードエンジンを選択して進めます。

Step3 言語と音声を設定する

続いて、読み上げる言語と音声（Voice）を設定します。

Step4 テキストから音声を生成する

テキスト入力欄に、読み上げさせたい文章を入力します。

こんにちは。
Amazon Pollyを使った音声生成のテストです。

1. 読み上げたいテキストを入力します。
2. エンジン・言語・音声を確認します。
3. 「音声を聴く」を選択します。
4. 入力した文章が音声として再生されることを確認します。

Step5 音声ファイルの出力形式を設定する

Amazon Pollyでは、その場で音声を再生するだけでなく、 生成した音声をMP3などの音声ファイルとして出力できます。

今回は「その他の設定」から音声ファイル形式を設定します。

1. 画面下部の「その他の設定」を開きます。
2. 「音声ファイル形式の設定」をONにします。
3. 「サンプルレート」を設定します。
4. 「ファイル形式」で「MP3」を選択します。

Step6 S3バケットを作成する

Amazon Pollyから音声ファイルを直接保存するため、 あらかじめAmazon S3に保存先となるバケットを作成します。

設定手順

1. AWSマネジメントコンソールから「S3」を検索します。
2. Amazon S3を開きます。
3. 「バケットを作成」を選択します。
4. 任意のバケット名を入力します。
5. Amazon Pollyを利用しているリージョンと同じリージョンを選択します。
6. 設定内容を確認し、「バケットを作成」を選択します。

Step7 Amazon PollyからS3へ音声を保存する

S3バケットを作成したら、Amazon Pollyの「S3 に保存」を利用して、 生成した音声ファイルをS3へ直接保存します。

設定手順

1. Amazon Pollyの「テキスト読み上げ機能」へ戻ります。
2. 入力テキスト、音声エンジン、言語、音声を確認します。
3. 出力形式が「MP3」になっていることを確認します。
4. 「S3 に保存」を選択します。
5. 「S3 出力バケット」でStep6で作成したS3バケットを指定します。
6. 必要に応じて「S3 キープレフィックス」を設定します。
7. 必要に応じて「通知の SNS トピック」を設定します。
8. 設定内容を確認し、音声合成タスクを実行します。

S3保存時の設定

今回の構成

入力テキスト
   ↓
Amazon Polly
   ↓
音声合成タスク
   ↓
Amazon S3
   ↓
MP3ファイル

Step8 S3に保存された音声ファイルを確認する

音声合成タスクを実行したら、Amazon S3を開いて音声ファイルが保存されていることを確認します。

1. Amazon S3を開きます。
2. 保存先に指定したS3バケットを開きます。
3. 生成されたMP3ファイルが保存されていることを確認します。
4. オブジェクトの詳細を確認します。

確認ポイント

• ・指定したS3バケットに音声ファイルが保存されていること
• ・MP3形式で出力されていること
• ・オブジェクトのサイズが0バイトになっていないこと

Step9 SSMLで読み上げ方を変更する

Amazon Pollyでは、SSML（Speech Synthesis Markup Language）を利用して、 文章の読み上げ方を調整できます。

通常のテキスト入力では文章をそのまま読み上げますが、 SSMLを利用すると、文章の途中に間を入れるなど、読み上げ方を指定できます。

1. 「入力テキスト」の右側にある「SSML」をONにします。
2. 入力欄にSSML形式のテキストを入力します。
3. 「音声を聴く」を選択します。
4. 通常のテキスト入力との読み上げ方の違いを確認します。

<speak>
こんにちは。
<break time="1s"/>
Amazon Pollyのテストです。
</speak>

動作確認

実際のシステムではどう使う？

今回のハンズオンでは、AWSマネジメントコンソールから音声を生成し、 Amazon Pollyの機能を利用してS3へ保存しました。

実際のシステムでは、APIやAWS SDKを利用してAmazon Pollyを呼び出し、 音声生成を自動化する構成が考えられます。

例1 Webサイトの記事を読み上げる

ユーザー
   ↓
Webサイト
   ↓
読み上げたい文章
   ↓
API Gateway
   ↓
Lambda
   ↓
Amazon Polly
   ↓
音声データ
   ↓
ユーザーへ再生

例2 生成した音声をS3へ保存する

テキスト
   ↓
Amazon Polly
   ↓
音声生成
   ↓
Amazon S3
   ↓
必要なときに再生・他サービスで利用

固定された案内文などを繰り返し利用する場合は、 生成した音声をAmazon S3へ保存して再利用する方法も考えられます。

導入時に考えるポイント

料金

Amazon Pollyは、主に音声へ変換した文字数をもとに料金が発生します。

利用する音声エンジンによって料金が異なるため、 実際に導入する場合は、読み上げるテキストの文字数や利用する音声エンジンなどを確認します。

今回のようにAmazon S3へ音声ファイルを保存する場合は、 Pollyの料金だけでなく、S3のストレージ使用量やリクエストなどの料金についても確認が必要です。

ハンズオン終了後の確認

今回は、Amazon Pollyで生成したMP3ファイルを保存するためにAmazon S3のバケットを作成しました。

S3へ保存した音声ファイルを続けてAmazon Transcribeなどのハンズオンで使用する場合は、 バケットと音声ファイルをそのまま残しておきます。

すべての検証が終了し、今後利用しない場合は、不要なS3オブジェクトやバケットを削除します。

まとめ

今回は、Amazon Pollyを利用してテキストから音声を生成し、 「S3 に保存」を利用して生成した音声ファイルをAmazon S3へ直接保存しました。

• ・Amazon Pollyでテキストから音声を生成する
• ・エンジンや音声（Voice）を設定する
• ・MP3形式で音声を出力する
• ・Amazon PollyからAmazon S3へ音声ファイルを直接保存する
• ・SSMLを利用して読み上げ方を調整する

Amazon Pollyは、簡単に表すと 「テキストを音声へ変換するサービス」です。

Amazon S3などのAWSサービスと組み合わせることで、 生成した音声を保存・再利用したり、別のサービスへ連携したりできます。

次は、今回S3へ保存した音声ファイルをAmazon Transcribeへ渡し、 「音声からテキストへの変換」を確認していきます。