Download as PDF, PPTX
Uploaded byDaizen Ikehara
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
2020年2月1日に開催された「Burikaigi 2020」で発表した内容です。 AWS/GCP/Azure それぞれの Text to Speechを比べてみました。
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
- 1.
- 2.
- 3.
- 4.
- 5. セッションアジェンダ ● Text toSpeech(tts)とは？ ● くらべてみよう:AWS/GCP/Azure ● ttsにおける違和感 ● まとめ
- 6.
- 7. 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
- 8. 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
- 9. Text to SpeechAPI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
- 10.
- 11.
- 12. 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
- 13. 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！
- 14.
- 15.
- 16. 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
- 17. より自然な音に近づけるには？（2） ● 自然な音声を選択する ○ AmazonPolly: 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
- 18.
- 19.
- 20. 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
- 21. 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/
- 22.
- 23.
- 24. 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
- 25. 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
- 26.
- 27. Twilio Meetup @DevSumi 2020 https://connpass.com/event/162110
- 28.
- 29.