亚马逊（Amazon）早在 2016 年就在 AWS 推出按字计费的 AWS Polly 文字转语音（Text-to-Speech，TTS）服务。过去很容易分辨电脑与人读音的差别，随着现代机器学习技术加持，文字转语音引擎在近几年来取得巨大的进步，音质已达新闻播报员的水准了。亚马逊 AWS 云端运算部门于 30 日发表了一系列新神经网络文字转语音（Neural Text-to-Speech，NTTS）模型，并采用模仿新闻播报员声音的全新风格。
“语音音质当然很重要，但要让合成语音听起来更真实、更吸引人，我们还有很大的努力空间，”亚马逊新闻稿指出：“至于语音风格？当然，人类的耳朵可以分辨新闻节目、体育节目、大学课程等风格的不同；事实上，大多数人在正确语境下采用正确的说话风格，必然让资讯更容易理解。”
正如亚马逊网络服务技术传教士赛门（Julien Simon）在部落格文指出的，透过自然度和表现力提升，神经网络文字转语音引擎能大幅提高语音音质的表现。至于全新新闻播报员风格支援，能让新闻报导和部落格文章等论述文听起来更真实。
这全拜神经网络文字转语音的底层机器学习算法之赐而达成，西蒙表示：“多亏 Polly 和新闻播报员风格，（听众）可享受高音质的文章阅读，听起来就像他们在电视或广播听到的一样。”
“能教 Alexa 根据客户的要求调整说话风格，这为 Alexa 提供以前无法想像的全新体验，”亚马逊文字转语音服务研发团队资深经理布林（Andrew Breen）在部落格写道。
多家媒体已开始使用，第一年有限字数免费
如今，举凡加拿大《环球邮报》（The Globe and Mail）、《今日美国》（USA Today）、Gannett 媒体集团、数位软件出版商 BlueToad、出版工具供应商 TIM Media、《大英百科全书》（Encyclopedia Britannica）、非营利的教育科技（Ed-tech）公司 CommonLit 和游戏开发商 Volley 等 AWS 客户，已在使用 Polly 提供的新闻播报员风格。今年 1 月，亚马逊已默默推广到支援 Alexa 的装置，用于每日新闻简报及维基百科内容片段解说。
新的新闻播报员风格提供男（Matthew）、女（Joanna）两种英语语音，而神经网络文字转语音引擎则支援 11 种语音，包括 3 种英语语音和 8 种美语语音，皆采即时与批次处理模式，目前位在美东（维吉尼亚州）、美西（奥勒冈州）和欧洲（爱尔兰）等 AWS 服务区域的使用者皆可使用。
计费方面，从第一次语音请求（标准语音或 NTTS 语音）开始，最初 12 个月内，每月最多有 100 万字元的神经网络文字转语音服务免费，之后就要按字计费了。
凭借神经网络转语音引擎与新闻播报员风格，亚马逊与 Google 正面交锋。2 月，后者在云端 NTTS 服务推出 31 个新 WaveNet 语音和 24 个新标准语音（整个 WaveNet 语音总数达 57 个）。亚马逊另一个竞争对手是微软，微软在预览版提供 3 种 AI 生成语音，并透过 Azure 语音服务 API 提供 75 种标准语音。
- AWS’ new text-to-speech engine sounds like a newscaster
- Amazon launches Neural Text-To-Speech and newscaster style on AWS Polly
（首图来源：pixabay）
