Amazon Polly 新增受限开放的语音克隆功能,支持定制品牌声音

Amazon Polly 新增受限开放的语音克隆功能,支持定制品牌声音

💡 原文中文,约1800字,阅读约需5分钟。
📝

内容提要

AWS推出Amazon Polly语音克隆受限开放功能,经审核的账户可使用授权者录音创建自定义声音,首发支持七种语言。创建免费,合成按量付费,声音仅限原账户和区域使用。客户需提交1至10段、总长不超过15分钟的录音,构建约需5至10分钟。Polly为合成音频添加水印,不保留源录音,建议管理好授权与访问权限。

🔎

延伸解读

授权管理是使用前提

文章强调,创建克隆声音需确认已获得说话人授权,且授权须覆盖每一份副本。Polly不保留源录音,但客户应保留授权记录,并在授权撤回时删除声音。这意味着企业需建立内部流程,确保声音使用始终有据可查,避免法律风险。

录音质量决定克隆效果

AWS建议使用2至10分钟自然语音,单声道16比特WAV、24kHz,在安静房间录制。风扇噪声、回声或会议音频处理都可能被克隆学习。克隆声音会继承录音的表达风格,无法融合多种情绪。因此,录制前应控制环境,并用实际内容测试效果。

区域与账户限制影响部署

克隆声音仅限创建它的账户和区域使用。若需跨区域或跨账户,必须用同一批录音重新创建,且授权须覆盖每份副本。初始配额为每账户每区域10个声音,创建和删除共享每秒1次请求限制。企业规划多区域部署时,需提前考虑这些约束。

创建耗时需纳入流程设计

声音构建异步进行,通常耗时5至10分钟,AWS建议将其视为预先配置步骤,而非实时请求流程。对于脚本频繁变动的场景,可先创建声音,后续用SynthesizeSpeech生成新音频。固定提示音则建议只生成一次,经确认后存储使用,以保持一致性。

❓

Q&A

Amazon Polly 的语音克隆功能现在开放了吗?需要什么条件才能使用?

该功能以受限开放(gated release)方式推出,仅经审核通过的 AWS 账户可用。部分 Polly 客户已自动获得权限,其他客户需联系 AWS 客户团队或提交申请。功能按账户逐个开通。

创建自定义声音需要提交什么材料?构建要多久?

需提交同一说话人的 1 至 10 段录音,总时长不超过 15 分钟,建议使用 2 至 10 分钟自然语音。请求中需注明录音语言并设置 TermsAccepted=True。API 立即返回声音 ID,异步构建通常耗时 5 至 10 分钟。

克隆的声音支持哪些语言?能在其他区域或账户使用吗?

首发支持英语、西班牙语、德语、法语、意大利语、葡萄牙语和印地语,但每个声音只能说出录音时所用的语言。声音保留在创建它的账户和区域中,跨区域或跨账户需用同一批录音重新创建,且授权须覆盖每一份副本。

语音克隆功能如何收费?

创建克隆声音免费;合成音频按用量付费。

Polly 如何保护说话人授权和录音数据安全?

接受条款即确认已获得所需权利与授权。Polly 为合成音频添加水印,通过 IAM 将访问权限限定在创建声音的账户内,客户可用自己的 KMS 密钥加密。创建后不保留源录音,也不用其训练模型,仅保留合成所需声音数据加密存储直至删除。

使用语音克隆时有哪些录音质量和输出上的注意事项?

推荐单声道、16 比特 WAV、24 kHz,在安静房间由一人录制;风扇噪声、回声和会议音频处理可能被克隆学习。克隆声音继承录音表达风格,无法融合多种风格;同一文本不同请求可能略有差异。固定提示音建议只生成一次并存储使用,生产脚本部署前应测试姓名、数字、地址和长句。

每个账户可以创建多少个克隆声音?API 有什么限制?

初始配额为每个账户每个区域 10 个克隆声音。CreateVoice 与 DeleteVoice 共用每秒 1 次请求的限制,批量创建和删除需要排队处理。

🏷️

标签

➡️

继续阅读