クラウドサービス
AWS/Azure/GCP
それぞれのText to Speechを
比べてみた
@Neri78

ツイート、ツイート！
#burikaigi
#burikaigi2020
#burikaigiB

自己紹介
池原大然（いけはらだいぜん）
Twitter: @Neri78
富山県の入善町出身
Developer Evangelist @ Twilio

元EverQuest(MMORPG)廃人

セッションアジェンダ
● Text to Speech(tts)とは？
● くらべてみよう:AWS/GCP/Azure
● ttsにおける違和感
● まとめ

Text to Speech(tts)
とは？

テキスト文字から音声を再生させること
● https://ja.wikipedia.org/wiki/%E9%9F%B3%E5%A3%B0%E5%90%88%E6%88%90
● 1950年代終盤から取り組まれていた...らしい
● 日常生活の中に入り込んでいる
○ 電話の自動応答（IVR）
○ ATM、複合機
○ 工場の構内放送
○ 駅・バスターミナル・空港
● 逆方向として、音声の内容をテキストとして認識する
Speech to Textも存在する

他の技術との連携も
● 録音と違ってリアルタイムで合成
できるのが魅力
○ というか、そうでなかったら、
録音で良いし...
● 例:LINE BRAIN - DUET
○ https://youtu.be/SwZLp5Y-Z4g

Text to Speech APIを提供している主要なクラウドベンダー
多くが複数の言語に対応している
● AWS - Amazon Polly
https://aws.amazon.com/jp/polly/
● Google Cloud - Cloud Text-to-Speech
https://cloud.google.com/text-to-speech/?hl=ja
● Microsoft Azure - Cognitive Services Text-to-Speech
https://azure.microsoft.com/ja-jp/services/cognitive-services/text-to-speech/
● IBM Watson - Text to Speech
https://www.ibm.com/watson/jp-ja/developercloud/text-to-speech.html

日本語の実力、確かめたるぜ！

くらべてみよ
う:AWS/GCP/Azure

生成する音声の仕様
● ほぼ固定文（違いを感じるため）
● 女性話者
● 標準設定。とくに変更は加えない
● mp3ファイルを作成
● サンプリングレートとビットレートは
統一できなかった...
○ 22,050khz / 32kbps くらい

基本的にやることは似ている
let polly = new AWS.Polly({
apiVersion: '2016-06-10', region:'ap-northeast-1'});
polly.synthesizeSpeech({
Engine: 'standard', OutputFormat: 'mp3',
VoiceId: 'Mizuki', Text: 'AmazonのMitsukiだよ。' + baseText,
SampleRate: '22050', TextType: 'text'
}, (err, data) => {
//生成されたデータを取得 ..
data.AudioStream
});
1. サービスの有効化、
2. アクセストークン
など取得
3. オプション設定
4. 合成！

今日のデモはこんな感じ

Demo
Let’s 聴き比べ

より自然な音に近づけるには？（１）
● 音声合成マークアップ言語（SSML）を用いて抑揚や
スピードなどを細かく指定できる
基本は同じだが、ベンダーごとの独自設定が...
○ AWS
https://docs.aws.amazon.com/ja_jp/polly/latest/dg/supportedtags.html
○ GCP
https://cloud.google.com/text-to-speech/docs/ssml?hl=ja
○ Azure
https://docs.microsoft.com/ja-jp/azure/cognitive-services/speech-service/speech-synthesis-markup

より自然な音に近づけるには？（2）
● 自然な音声を選択する
○ Amazon Polly: ニューラル音声を提供（日本語NG）
https://docs.aws.amazon.com/ja_jp/polly/latest/dg/voicelist.html
○ GCP: WaveNetモデルを使用した音声（日本語OK）
https://cloud.google.com/text-to-speech/docs/voices?hl=ja
○ Azure: ニューラル音声を提供（日本語NG）
https://docs.microsoft.com/ja-jp/azure/cognitive-services/speech-service/language-support

良いと思った
サービスをツイート！
#burikaigi
#burikaigi2020
#burikaigiB

ttsにおける違和感

違和感の原因
● 発音
● イントネーション
● 抑揚
日本語ではそれが顕著

日本語が得意（または特化した）WebAPIも
AITalk Web API
● 標準語や関西弁など
● 感情調整に対応した
音声も提供
https://www.ai-j.jp/cloud/webapi/

Demo
より自然にできるかしら？

まとめ

まとめ
● ttsを利用することで、これまで人手が必要だった
業務をシステム化できる（かもしれない）
● メジャーどころのクラウドベンダーは
軒並みサービスを提供している
● 今後、より自然に近づくと思われる。
○ AI美空ひばりみたいなやつ

リソース
● tts - wikipedia
https://ja.wikipedia.org/wiki/%E9%9F%B3%E5%A3%B0%E5%90%88%E6%88%90
● AWS - Amazon Polly
https://aws.amazon.com/jp/polly/
● Google Cloud - Cloud Text-to-Speech
https://cloud.google.com/text-to-speech/?hl=ja
● Microsoft Azure - Cognitive Services Text-to-Speech
https://azure.microsoft.com/ja-jp/services/cognitive-services/text-to-speech/
● AiTalk Web API
https://www.ai-j.jp/cloud/webapi/
● Twilio Programmable Voice
https://www.twilio.com/ja/voice

最後に

Twilio Meetup @ DevSumi 2020
https://connpass.com/event/162110

北陸でTwilioをからめた
ミートアップ、勉強会、UGを
開催しませんか？
ご興味があれば@Neri78まで!

ありがとうございました！