第186回 雲勉 【Amazon Polly入門】リアルな音声合成とSDK連携の第一歩

第186回 雲勉 【Amazon Polly入門】 リアルな音声合成とSDK連携の第一歩

講師自己紹介 ◼ 沖手 彩香 • クラウドインテグレーション事業部 ソリューション開発セクション • アイレット歴は3年半ほど • 好きなもの：音楽・お笑い・お酒 • ご質問は YouTubeのコメント欄で受け付けております。 後日回答させていただきます！ 2

アジェンダ 1. はじめに 2. Amazon Pollyの概要 3. テキストを音声に変換する 4. SSMLで声を変えてみる 5. アプリに組み込んでみる 6. まとめ 3

1. はじめに 4

1． はじめに ◼ 本動画の目的 • Amazon Pollyの概要を理解すること • Amazon Pollyでどのようなことができるかイメージしていただくこと • Amazon Pollyを使ってみたいと思っていただくこと ◼ 本動画の対象者 • Amazon Pollyに興味はあるが、使ったことがない、使い方を知らない方 5

2. Amazon Pollyの概要 6

2． Amazon Pollyの概要 ◼ Amazon Pollyとは？ • テキストをリアルな音声に変換するAWSのフルマネージドサービス • ディープラーニング技術を使用して自然な音声への変換を行う • 複数の言語をサポート • コンソール画面、AWS CLI、AWS SDKを使用して音声を生成できる 7

2． Amazon Pollyの概要 ◼ 料金体系 • 処理したテキストの文字数に応じて毎月課金されます。 • エンジンの種類によって、以下のように料金が変わります。 ※エンジンの種類については後ほど説明します。 ◆ スタンダード：100 万字で 4.00 USD ◆ ニューラル： 100 万字で 16.00 USD ◆ ロングフォーム： 100 万字で 100.00 USD ◆ 生成： 100 万字で 30.00 USD ※料金の最新情報については、公式サイトをご確認ください：https://aws.amazon.com/jp/polly/pricing/ 8

• https://aws.amazon.com/jp/polly/pricing/

2． Amazon Pollyの概要 ◼ 活用例 • ゲームやeラーニングプラットフォームの音声 • 視覚障害者向けアプリケーションの音声 AlexaにもPollyの技術が 使われています！ • コールセンターの応答音声 9

2． Amazon Pollyの概要 ◼ 活用例（生成AIとの組み合わせ） • AIチャットボットの回答をPollyで音声化する • Amazon Translateなどの機械翻訳サービスでの翻訳結果を Pollyがネイティブに近い発音で音声化する • 生成AIによるニュースの要約結果をPollyで読み上げる 直接テキストを入力してPollyに読ませるだけ（＝単なる読み上げツール）ではなく、 生成AIサービスを完成させる重要なピースとして使われるようになっている ※公式サイトでも様々な事例が紹介されています： https://aws.amazon.com/jp/polly/customers/ 10

• https://aws.amazon.com/jp/polly/customers/

2． Amazon Pollyの概要 ◼ コンソール画面イメージ ←音声を再生 エンジン、言語、音声を選択 音声合成したいテキストを入力 11

3. テキストを音声に変換する 12

3．テキストを音声に変換する ◼ プレーンテキストでの音声変換 • Amazon Pollyのコンソール画面で、「テキスト読み上げ機能」を開く 初期状態で、 入力テキストにサンプルが入力されています 13

3．テキストを音声に変換する ◼ プレーンテキストでの音声変換 • テキストボックスに生成したい文章を入力 14

3．テキストを音声に変換する ◼ プレーンテキストでの音声変換 • 「音声を聴く」をクリックする • 読み上げられた音声がこちら 15

3．テキストを音声に変換する ◼ 補足 • 「S3に保存」をクリックすると、Amazon S3にバケットを指定して保存することができ ます。 • 「ダウンロード」をクリックすると、音声がmp3方式でダウンロードされます。 16

3．テキストを音声に変換する ◼ エンジンを変えてみる • エンジンは、以下4タイプから選択できます。 スタンダード 自然な音声を生成します ニューラル スタンダードよりも自然で人間に近い音声を生成できます ロングフォーム 生成 ニュース記事やトレーニング資料などの長文に適した音声を生成します（※） 生成AIを使用して音声合成します（※） • ロングフォーム音声は、現在、日本のリージョンでは使用できません。 (2025年12月末時点) • 生成音声は、現在、東京リージョンで使用できますが、日本語は非対応です。(2025年12月末時点) • 使用できる言語、リージョンの最新情報については、公式サイトをご確認ください： https://docs.aws.amazon.com/polly/latest/dg/voice-engines-polly.html 17

• https://docs.aws.amazon.com/polly/latest/dg/voice-engines-polly.html

3．テキストを音声に変換する ◼ エンジンを変えてみる • 音声をニューラルに変え、「音声を聴く」をクリック • 読み上げられた音声がこちら スタンダードより 自然な音声になりました！ 18

4. SSMLで声を変えてみる 19

4. SSMLで声を変えてみる ◼ SSMLとは？ • 音声合成マークアップ言語 • 生成する音声について、 発音、音量、ピッチ、話す速度などを細かくカスタマイズすることができる 20

4. SSMLで声を変えてみる ◼ SSMLの使用方法 • SSMLをONにする 入力テキストがspeakタグで囲まれます。 （speakタグは、テキストにSSMLが使用されていることを表すタグです） 21

4. SSMLで声を変えてみる ◼ SSMLの使用方法 • SSMLタグを追加する breakタグは、文章中で一時停止するタグです。 （timeに1sを設定しているので、1秒間停止します） prosodyタグでは、音量や速度の属性を設定できます。 （volume属性を使い、音量を大きめにしています） • 読み上げられた音声がこちら 22

4. SSMLで声を変えてみる ◼ 補足 • エンジンの種類によってサポートされているタグが異なります。 • サポートされているタグの一覧については、公式サイトをご確認ください。 https://docs.aws.amazon.com/ja_jp/polly/latest/dg/supportedtags.html 23

• https://docs.aws.amazon.com/ja_jp/polly/latest/dg/supportedtags.html

5. アプリに組み込んでみる 24

5. アプリに組み込んでみる ◼ アプリの構成、処理の流れ ① テキスト入力し フロントエンド ② ( React, TypeScript ) テキストを送信 ボタンを押す バックエンド ③ ( FastAPI ) AWS認証情報を使い、 Boto3で合成リクエスト を送信 ⑥ ⑤ ④ 音声を再生 音声ストリームを 合成された (audioタグ使用) 返す 音声データを返す Amazon Polly 25

5. アプリに組み込んでみる ◼ フロントエンドの実装（一部抜粋） Audioタグに設定するURL、入力テキストを管理 ボタンクリック時にplayAudio(※後述)を実行 音声合成したいテキストの入力部分 音声合成結果の表示部分 26

5. アプリに組み込んでみる ◼ フロントエンドの実装（一部抜粋） パラメータを指定してAPIを呼び出す レスポンス結果をBlobに変換し、URLを生成 27

5. アプリに組み込んでみる ◼ バックエンドの実装（一部抜粋） Amazon Pollyに音声合成をリクエスト （音声タイプ、フォーマットなどを指定） Amazon Pollyから返ってきた音声データを ストリーミングで返す 28

5. アプリに組み込んでみる ◼ 実行結果 • 実際の画面でお見せします。 29

5. アプリに組み込んでみる ◼ 注意点 • Amazon Pollyにリクエストを送る際、VoiceIdとEngineの組み合わせが存在しない場合 エラーになる 例えば、 VoiceId：Mizukiはスタンダードでしか選択できないため、以下はエラーになります。 ↑Mizukiを選ぶ場合は、エンジンはstandardにする ※言語、エンジンの種類ごとに利用可能な音声は異なるので、以下公式サイトの一覧を確認して設定してください。 https://docs.aws.amazon.com/ja_jp/polly/latest/dg/available-voices.html 30

• https://docs.aws.amazon.com/ja_jp/polly/latest/dg/available-voices.html

5. アプリに組み込んでみる ◼ 本番利用時に考慮すべき点 セキュリティ • IAMロールを使用し、最小権限を付与する • フロントエンドから直接Polly APIを叩かない（バックエンドを経由させる） • 不正入力を防ぐためのバリデーションチェックを行う コスト • キャッシュの活用（Amazon S3 と Amazon CloudFrontを使用し、同じ文章を再利用する） • 文字数制限をつける ユーザー体験 • ストリーミング形式で音声データを返すことで、待ち時間を短縮 • ローディング状態の可視化（スピナー表示など） • SSMLを使用してイントネーションや速度を調整して聞き取りやすくする • 適切なエンジンタイプを使用する 31

6. まとめ 32

6．まとめ ◼ 所感 • 想像以上に、手軽に音声が作成できると感じた • 会社名などの固有名詞のイントネーションは少し不自然なので、SSMLで微調整すること がサービスのクオリティを上げるために重要になる • 生成AIとの組み合わせによって、活用の幅が広がっていきそう • まだ日本語が対応されていない機能もいくつかあるので、今後対応されることを期待！ • まずはコンソールからお手軽に試してみてください 33