چه چیزی اعلام شد

بر اساس اعلام AWS، موتور Generative سرویس تبدیل متن به گفتار آمازون پولی ارتقا یافته و به گفته این شرکت گفتاری گویاتر و دقیق‌تر با تأخیر کم تولید می‌کند. این ارتقا اکنون در محیط تولید به‌صورت عمومی در دسترس است. نام صداها و فراخوانی‌های API تغییری نکرده و برنامه‌های دارای صدای Generative بدون تغییر کد از نسخه بهبودیافته استفاده می‌کنند.

کاتالوگ موتور Generative اکنون ۵۷ صدا در ۱۱ زبان و ۲۵ زبان‌محلی دارد. ۱۴ صدای تازه شامل انگلیسی آمریکایی، استرالیایی و هندی، آلمانی، اسپانیایی آمریکا، پرتغالی برزیل، کره‌ای، هندی و فنلاندی است. هندی (با صداهای Arjun و Kiara) و فنلاندی (Suvi) برای نخستین بار روی این موتور به‌صورت عمومی عرضه شده‌اند.

برای بررسی:Amazon Polly delivers a major upgrade to its Generative engine

قابلیت‌ها و کاربردها

AWS می‌گوید خواندن اعداد، مبالغ، آدرس‌ها و کدهای تأیید دقیق‌تر شده و صداها می‌توانند احساس و آهنگ گفتار را بر اساس متن ورودی و بدون پیکربندی دستی بهتر منعکس کنند. این موارد در نمونه‌های صوتی همان منبع نشان داده شده‌اند؛ آزمون مستقل در این منبع ارائه نشده است.

از کاربردهای پیشنهادی می‌توان به مراکز تماس، عامل‌های صوتی مبتنی بر مدل زبانی، دوبله و محلی‌سازی، آموزش الکترونیکی و دسترس‌پذیری اشاره کرد. رابط استریم دوطرفه StartSpeechSynthesisStream امکان ارسال متن و دریافت همزمان صدا را می‌دهد. یک مشتری، Sanoma Media Finland، می‌گوید بر پایه آزمون‌های خودش صدای جدید Suvi به‌طور محسوسی طبیعی‌تر از صدای عصبی قبلی است؛ این ادعای مشتری است، نه ارزیابی مستقل.

برای بررسی:Amazon Polly delivers a major upgrade to its Generative engine

دسترسی، قیمت و محدودیت‌ها

دسترسی از طریق کنسول مدیریت AWS، AWS CLI یا SDKها ممکن است و به حساب فعال AWS با دسترسی به پولی نیاز دارد. نمونه پایتون به Python 3.10 به بالا، Boto3 و مجوز IAM به نام polly:SynthesizeSpeech اشاره می‌کند. صداهای جدید در ۱۱ منطقه AWS عرضه شده‌اند: ویرجینیای شمالی، اورگن، فرانکفورت، زوریخ، لندن، سیدنی، سئول، سنگاپور، توکیو، کانادا (مرکزی) و GovCloud (US-West). AWS توصیه می‌کند برای بررسی وجود هر صدا در منطقه مقصد از DescribeVoices استفاده شود.

به گفته AWS قیمت پرداخت به‌ازای مصرف بدون افزایش و بدون SKU جدید است و پرامپت‌های ثابت را می‌توان بدون هزینه اضافی ذخیره و دوباره پخش کرد. محدودیت‌ها: صداهای استاندارد و عصبی تحت تأثیر قرار نمی‌گیرند، speech marks روی صداهای Generative موجود نیست و در صورت نیاز باید از صداهای استاندارد یا عصبی استفاده کرد. SSML همچنان پشتیبانی می‌شود. منبع درباره دسترسی در ایران یا یکپارچگی با نخود چیزی نگفته است.

برای بررسی:Amazon Polly delivers a major upgrade to its Generative engine

چه معنایی برای توسعه‌دهندگان دارد

برای تیم‌هایی که از صداهای Generative پولی استفاده می‌کنند، مهم‌ترین نکته ارتقای درجا بدون تغییر کد است؛ با این حال چون کیفیت خروجی عوض می‌شود، آزمون شنیداری روی متن‌های واقعی، به‌ویژه شماره‌ها و آدرس‌ها، منطقی است. تیم‌هایی که به speech marks یا منطقه‌ای خارج از فهرست بالا نیاز دارند باید محدودیت‌ها را پیش از مهاجرت بسنجند. AWS همچنین می‌گوید بهبودها به جریان‌های Amazon Connect و Genesys به‌صورت خودکار می‌رسد.

برای بررسی:Amazon Polly delivers a major upgrade to its Generative engine

پشت این نوشته

منابع و جزئیات

این خبر با کمک هوش مصنوعی نوشته شده و با بررسی خودکار منابع و متن منتشر شده است. تصویر، تصویرسازی مفهومی است.

این منابع را می‌توانی برای بررسی ادعاها و جزئیات بیشتر بخوانی. تاریخ کنار هر منبع، زمان بررسی آن برای این نوشته است.

  1. Amazon Polly delivers a major upgrade to its Generative engine
    aws.amazon.comبررسی:

نخستین انتشار:

روش تهیه و بازبینی نوشته‌ها