proxmox.blog

テキストを少しずつ送り、ポリがそれに合わせて連続した音声を生成してストリーム配信できるモード。大量テキストでも途切れにくく、長い読み上げをリアルタイムで行いたい時に便利。

プログラムやコマンドラインでポリを呼び出して、音声ファイルを生成できる。大量文章の自動生成やリアルタイム読み上げなど、自分のサービスに組み込むのが簡単にできる。

音声合成の呼び出し回数や処理時間をグラフ化する。ビジネスが拡大して大量に呼び出すようになったら追加予算を見込むとか、パフォーマンスを調べる指標としても重要だね。

合成した音声をS3に直接書き出せる。バックアップしたり、あとでダウンロードさせたり、CDN配信したりといった使い方が楽になる。大きな文章のバッチ処理に向いてるんだ。

会話調の柔らかいトーンで読んでくれるスタイル。ロボ感が薄れるので、親しみやすい音声を作りたいならこれを選ぶといい。ユーザーとフレンドリーな会話をしたいチャットボットで活躍しそう。

アナウンサー風の話し方を選べる追加スタイル。ニュース読み上げみたいにちょっとキビキビした印象で読むから、情報番組風の音声を作りたいときにぴったり。

色々な国の言葉に対応した声が用意されている。英語でもアメリカ英語、イギリス英語、オーストラリア英語など違いがあるから、ローカルな雰囲気を出したい時にも便利なんだ。

発話タイミングを教えてくれるデータ。音声とテキストを同期して、カラオケの歌詞みたいに文字をハイライト表示するアプリなどで使えるんだ。ゲームや動画と合わせるのも可能。

文章の中に“”など書いて、間をあけたり声の抑揚を調節できる仕組み。リズムや強調をコントロールするならSSMLを使うといい。より人間らしい読み方が実現できるんだ。

独自の単語や固有名詞の発音を指定する仕組み。ポリシーを“ぽりしー”じゃなく“ポリスィー”にしたいとか、名前をカタカナ通りに読ませたいなど、こだわりの発音ルールを登録できるよ。