
- 話者の同意を得た数分の録音から、その話者の声で読み上げるTTS音声を作成できる
- 対応言語は英語・スペイン語・ドイツ語・フランス語・イタリア語・ポルトガル語・ヒンディー語の7言語
- 音声の作成は無料、利用は従量課金。アクセスは申请制のゲート付きリリース
何が発表されたのか
AWSは、Amazon Pollyの音声クローン機能がゲート付きリリースとして一般提供されたと発表しました。話者の同意を得た数分の音声録音を渡すと、Amazon Pollyがその話者の声でクローン音声を構築します。クローン音声はAmazon Pollyの生成AIエンジン上で動作し、他の生成AI音声と同程度の自然さと精度を提供すると説明されています。
対応言語は英語、スペイン語、ドイツ語、フランス語、イタリア語、ポルトガル語、ヒンディー語の7言語です。クローン音声は録音した言語でのみ話す仕様のため、多言語で展開する場合は言語ごとに音声を作成して確認する必要があります。提供リージョンは生成AIエンジンがサポートする全AWSリージョンで、AWS GovCloud (US)リージョンも含まれます。
アクセスはすでに一部のAmazon Polly顧客で有効になっており、それ以外の場合はAWSのアカウントチームへの連絡かアクセス申請が必要です。音声の作成自体はAmazon Pollyの顧客であれば無料で、クローン音声の利用に対して従量課金が発生する体系だとされています。
4ステップの作成フロー
音声クローンは、録音、作成、待機、利用という4つのステップで進みます。録音はコンソールからアップロードするか、CreateVoiceリクエストに直接含めるか、Amazon S3バケットに置いて参照させます。音声を作成するリージョンと同じリージョンのS3バケットを使う必要があります。
CreateVoiceには1〜10本の録音とその言語、話者の同意を得たことを示すTermsAccepted=Trueを渡します。するとvc-で始まる音声IDが即座に返り、音声の構築はバックグラウンドで非同期に進みます。構築には通常5〜10分かかり、その間に話者類似度の品質チェックも行われます。GetVoiceを呼び続け、ステータスがpendingからactiveまたはfailedに変わるのを待つ形です。
完成した音声IDは、リアルタイム音声ならSynthesizeSpeech、S3に書き出す長尺音声ならStartSpeechSynthesisTaskに渡します。既存の生成AI音声と同じくEngine="generative"を指定する使い方です。不要になった音声はDeleteVoiceで削除できます。
同意確認とアクセス制御
クローン音声は1人の話者の録音から作られるため、AWSは同意と管理体制の確認を重視しています。音声を作成するたびに、コンソールまたはAPIのTermsAccepted=Trueで、作成と利用に必要な権利と同意を取得済みであることを表明します。利用はAWSサービス利用規約や責任あるAIポリシーなどに服する形です。
生成された音声にはウォーターマーク(合成音声であることを示す埋め込み情報)が付与されます。クローン音声は作成したAWSアカウントに紐づき、IAMでアクセスを制御でき、独自のAWS KMSキーでの暗号化やタグ付けも可能です。削除はDeleteVoice1回、またはコンソールから行えます。
AWSは、音声の作成後に録音データのコピーを保持せず、Amazon Pollyのモデルのトレーニングにも使わないと説明しています。合成に必要な音声データだけを暗号化して保存し、DeleteVoiceを呼ぶと即座に削除されます。AWSは話者ごとの同意記録の保管や、同意が撤回された場合の削除、必要な人物やシステムだけへの権限付与といった運用を推奨しています。
録音の条件と注意点
録音は2〜10分の自然な発話を、1分以内のテイクに分けて用意することが推奨されています。1音声あたり最大10本、合計15分まで受け付けますが、AWSは長さより品質が重要だとしています。静かな部屋で同じ距離から録音し、mono WAV・16bit・24kHzでの収録が推奨です。
注意点として、会議アプリやブラウザのレコーダーは使わないよう案内されています。エコーキャンセリングやノイズ抑制が声を変えてしまい、クローンもその変化を学習してしまうためです。またクローン音声の話し方は録音から決まり、複数のスタイルを混ぜることはできません。喜怒哀楽を別々に録っても、3つを使い分けられる音声にはならないと説明されています。
録音は米国英語、ドイツ語、米国スペイン語、フランス語、イタリア語、ブラジルポルトガル語、ヒンディー語でテストされています。英国英語やカナダフランス語など同じ言語の別アクセントも動作しますが、テストは少なめだとされているため、自社のコンテンツで確認することが求められます。
現時点で公表されていないこと
料金は「作成は無料、利用は従量課金」という方針のみが示されており、単価は原記事に記載がありません。詳しくはAmazon Pollyの料金ページを参照するよう案内されています。日本語は対応言語に含まれておらず、日本語音声のクローン作成の時期も公表されていません。
アクセスは申請制のため、日本の企業がすぐに試せるかどうかは個別の申請や営業窓口への相談次第です。また、生成AI音声と比べてどの程度話者に似るかの定量的な評価は、原記事には示されていません。導入を判断するには、実際のユースケースの原稿で試聴して確認する必要がありそうです。
| 項目 | 推奨 | 上限・許容範囲 |
|---|---|---|
| 録音時間 | 2〜10分 | 合計15分まで |
| テイク数 | 1分以内に分割 | 1音声あたり10本まで |
| 音声フォーマット | mono WAV、16bit、24kHz | 他の形式も受け付ける(要確認) |
| コンソールからのアップロード | — | 1回5MBまで |
Amazon Polly does not retain a copy of your voice recordings once the voice is created and doesn't use them to train Amazon Polly models.
Amazon Pollyは、音声が作成された後は録音データのコピーを保持せず、Amazon Pollyのモデルのトレーニングにも使用しません。
今後の見通し
音声クローンは、ブランドボイスやコンタクトセンター、オーディオブックやゲームのキャラクターなど、声を資産として扱う用途を想定しています。今後は対応言語の拡大や、話者類似度に関する具体的な評価指標の公開が焦点になるとみられます。料金の単価が公表されれば、既存の録音スタジオを使う場合とのコスト比較が可能になります。日本語対応の時期と、アクセス申請がどの程度の規模で承認されるかが明らかになれば、日本のIT企業が採用可否を判断しやすくなるでしょう。
日本の開発者・IT企業にとっての意味
日本のIT企業にとっては、ナレーションやIVR(自動音声応答)の収録を都度スタジオで行う運用を置き換える選択肢が増えることを意味します。原稿が変わるたびに録り直すのではなく、テキストからオンデマンドで音声を生成できるため、コンテンツ更新のリードタイム短縮や、チャネル間で声を統一する用途に向きます。一方で、対応が7言語にとどまり日本語が含まれないため、国内向けサービスにそのまま適用できるわけではありません。多言語展開する企業や、英語・欧州言語の教材やオーディオブックを扱う企業が先行して検討する形になりそうです。同意取得の記録や削除運用など、ガバナンス面の設計も導入時の検討事項になります。
気になる点
- 日本語の音声もクローンできますか
- 現時点ではできません。対応言語は英語、スペイン語、ドイツ語、フランス語、イタリア語、ポルトガル語、ヒンディー語の7言語で、日本語は含まれていません。日本語対応の時期は原記事では公表されていません。日本語で展開する場合は、対応言語の音声を別途用意するか、今後の発表を待つことになります。
- 利用料金はいくらですか
- 音声の作成はAmazon Pollyの顧客であれば無料で、クローン音声の利用は従量課金とされています。ただし単価は原記事に記載がなく、Amazon Pollyの料金ページで確認する必要があります。既存の生成AI音声と同じ単価かどうかも、この記事からは判断できません。
- すぐに使い始められますか
- ゲート付きリリースのため、アカウントで機能が有効化されている必要があります。一部の顧客ではすでに有効になっており、それ以外はAWSのアカウントチームへの連絡かアクセス申請が必要です。技術的にはboto3の最新版と、polly:CreateVoiceなどのIAM権限があればコードから呼び出せます。
用語解説
- TTS(Text-to-Speech)
- テキストを音声に変換する技術。読み上げソフトや音声エージェントの基盤になる。
- 音声クローン
- 特定の話者の録音から、その話者らしい声で任意の文章を読み上げる音声を生成する技術。
- IVR
- Interactive Voice Response。電話の自動音声応答システムで、プッシュ操作や読み上げで案内する。
- AWS KMS
- AWSの暗号鍵管理サービス。顧客自身が管理する鍵でデータを暗号化できる。
- IAM
- AWS Identity and Access Management。AWSリソースへのアクセス権を人とシステムに割り当てる仕組み。
- ウォーターマーク
- 合成音声であることを示すために、生成された音声に埋め込まれる情報。
出典
Amazon Polly launches voice cloning: A unique voice for your brand
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する