proxmox.blog

昔ながらの合成方式で速く安価に作れる音声。ニューラルTTSほどナチュラルじゃないけど、多くの言語や声があるし十分実用的。用途やコストに合わせて選べるんだ。

“ニューラルネットワーク”を使ったより自然な音声合成。抑揚が自然で機械っぽさが少ないから、長い文章でも聞き取りやすい。標準のTTSよりちょっと高品質な印象だね。

男性・女性など複数の声があって、英語ならアメリカ英語やイギリス英語、日本語でも違うトーンを選べる。用途や好みに合わせて選択できるから、キャラクターや雰囲気を作りやすいんだ。

テキストを読み上げる“音声合成”サービス。文章を渡すと人間っぽい声でしゃべってくれるから、読み上げアプリや案内放送などに活用できる。いろんな言語と声の種類があるよ。

会話の途中で一時的な情報を保存しておく領域。たとえばユーザーIDや途中で入力された好みの設定などを保持して、次の発話で使えるんだ。コンテキスト管理に重要な仕組みだね.

会話の途中でLambda関数を呼んで、データベースを参照したり外部APIを叩いたりできる。ユーザーからの入力内容を使って処理したり、返す返事を動的に作ったりと柔軟な応答が可能になるよ。

音声を文字に変える技術がLexに組み込まれている。通常はAmazon Transcribeを使う形だけど、Lexがまるっと管理してくれるからセットアップが楽。音声チャットボットの中核になるんだ。

CloudWatchなどでボットがどれだけ会話されているか、何回成功/失敗しているかをグラフで確認。調子が悪いときはログを見て調整できるし、ユーザーが多いときは性能を気にしてスケールも考えられる。

新しいバージョンのLex管理画面。UIが改善されていて、ビルドやテスト、デプロイをスムーズに行える。旧版より操作が分かりやすく、機能追加もされているんだ。

お店や商品の固有名詞などをあらかじめ登録し、誤認識しにくくする機能。たとえば「ラーメン屋『ドンブル軒』」といった名前を正しく聞き取ってもらうために使える。