Amazon Polly: transformando texto em voz

O Amazon Polly é o serviço de Text-to-Speech (TTS) da AWS. Sua função é transformar textos em fala sintetizada, permitindo que sistemas produzam áudio automaticamente a partir de conteúdo textual.

Seu funcionamento básico pode ser resumido assim:

Texto -> Amazon Polly -> Áudio

Uma aplicação pode enviar, por exemplo:

Olá! Seja bem-vindo à SatellaSoft.

O Amazon Polly sintetiza o conteúdo utilizando a voz e as configurações escolhidas e retorna o áudio correspondente.

Amazon Polly e Amazon Transcribe

Uma maneira simples de entender o Polly é compará-lo com o Amazon Transcribe.

Enquanto o Transcribe identifica o que foi falado em um áudio, o Polly realiza o caminho contrário: recebe um texto e produz uma voz.

Para que serve o Amazon Polly?

O serviço pode ser utilizado sempre que um sistema precisar apresentar informações através de voz.

Alguns exemplos são:

• Acessibilidade: leitura de páginas e conteúdos para usuários;
• Artigos em áudio: criação automática de versões narradas de publicações;
• E-learning: narração de materiais educacionais e treinamentos;
• Atendimento: mensagens utilizadas em URAs e sistemas telefônicos;
• Aplicativos: leitura de notificações e informações;
• IoT: dispositivos capazes de fornecer respostas através de voz;
• Games: geração de falas, diálogos e instruções;
• Conteúdo digital: criação de narrações a partir de textos.

Um portal de notícias, por exemplo, poderia utilizar o Polly para disponibilizar a opção “Ouvir este artigo”.

Como funciona o Amazon Polly?

A aplicação envia uma solicitação contendo o texto e as configurações desejadas.

Entre essas configurações podemos informar:

• Texto;
• Idioma;
• Voz;
• Engine;
• Formato do áudio;
• Tipo do texto.

O fluxo é:

Texto ->
Request ->
Amazon Polly ->
Response ->
AudioStream (bytes)

O Polly não precisa criar um arquivo diretamente no computador ou servidor, você pode ter uma página com um cabeçalho que retorna o tipo mp3 com o conteúdo gerado a partir do AudioStream.

Formatos de áudio

Ao solicitar a síntese, também podemos definir o formato de saída.

Entre os formatos suportados pelo serviço estão opções como MP3, OGG Vorbis e PCM.

Portanto, o formato faz parte da configuração da síntese:

Texto ->
Amazon Polly ->
AudioStream ->
MP3 / OGG / PCM

É importante não confundir entrada e saída: não enviamos um MP3 para o Polly realizar Text-to-Speech.

A entrada principal é o texto. O áudio é o resultado.

O que é Neural TTS?

TTS significa Text-to-Speech.

O Amazon Polly disponibiliza diferentes mecanismos, ou engines, responsáveis pela geração das vozes.

Standard

Mecanismo tradicional de síntese de fala.

Neural

O Neural Text-to-Speech (NTTS) utiliza modelos neurais para produzir uma fala mais natural.

Long-form

Voltado à síntese de conteúdos extensos, como materiais educacionais e outros textos longos.

Generative

Utiliza tecnologia generativa para produzir uma fala mais natural e expressiva.

A disponibilidade de cada engine depende de fatores como voz, idioma e região.

Para um projeto utilizando Neural TTS, por exemplo, poderíamos ter:

Engine: neural
Language: pt-BR
Output: mp3

Escolhendo uma voz

O Polly possui um catálogo de vozes disponíveis para diferentes idiomas.

Ao solicitar uma síntese, podemos escolher qual delas será responsável pela leitura.

Conceitualmente:

Texto: "Bem-vindo à SatellaSoft"

Idioma: pt-BR
Voz: voz compatível
Engine: Neural
Formato: MP3

A AWS também disponibiliza a operação DescribeVoices, permitindo que um sistema consulte programaticamente quais vozes estão disponíveis.

Isso possibilita, por exemplo, construir uma aplicação na qual o próprio usuário escolha a voz utilizada para gerar o áudio.

O que é SSML?

Além de texto comum, o Amazon Polly suporta SSML (Speech Synthesis Markup Language).

SSML é uma linguagem de marcação padronizada pelo W3C para controlar aspectos da síntese de fala.

Sua estrutura lembra XML:

<speak>
    Olá!

    <break time="2s"/>

    Bem-vindo à SatellaSoft.
</speak>

Nesse exemplo, indica que deve existir uma pausa de dois segundos naquele ponto.

<break time="2s"/>

Portanto, podemos pensar assim:

Texto -> O que falar
SSML  -> Como falar

O SSML não é uma tecnologia criada exclusivamente pela AWS. É um padrão utilizado para síntese de fala, embora cada plataforma possa implementar diferentes partes e extensões desse padrão.

Ao utilizar o Polly, é necessário verificar quais elementos SSML são suportados pelo serviço e pela engine escolhida.

Texto comum ou SSML?

Ao solicitar uma síntese, precisamos informar qual tipo de conteúdo estamos enviando.

Para texto normal:

TextType: text

Para conteúdo com marcações SSML:

TextType: ssml

Assim, o Polly sabe se deve simplesmente sintetizar o conteúdo ou interpretar também as marcações existentes.

Como funciona a cobrança do Amazon Polly?

Um ponto importante é que o custo da síntese está relacionado principalmente à quantidade de caracteres processados, de acordo com a engine utilizada.

Durante nossa estimativa no AWS Pricing Calculator utilizamos o seguinte cenário:

100 solicitações por mês
×
1.000 caracteres por solicitação
=
100.000 caracteres por mês

Para Neural Text-to-Speech, o valor apresentado no Calculator para esse cenário foi:

100.000 caracteres
×
US$ 0,000016
=
US$ 1,60/mês

Ou seja, nesse exemplo teríamos aproximadamente US$ 1,60 por mês para a síntese de 100 mil caracteres.

Os valores devem sempre ser conferidos no momento da implementação, pois preços e disponibilidade podem variar.

O tamanho do MP3 interfere no preço?

Esse é um detalhe importante.

No cenário de Text-to-Speech que calculamos, a cobrança da síntese não é determinada pelo tamanho final do arquivo MP3.

O cálculo considera os caracteres sintetizados.

1.000 caracteres ->
Amazon Polly ->
Áudio

O tamanho em KB ou MB do arquivo resultante não é o parâmetro utilizado para calcular essa síntese.

Caso esse arquivo seja posteriormente armazenado em outro serviço, como o Amazon S3, passam a existir também os custos relacionados àquele serviço.

SSML é cobrado como texto?

As próprias marcações SSML utilizadas para controlar a síntese não são consideradas da mesma maneira que o conteúdo textual efetivamente sintetizado.

Por exemplo:

<speak>
    Olá!
    <break time="2s"/>
    Bem-vindo à SatellaSoft.
</speak>

Tags como <speak> e <break> são instruções para o mecanismo de síntese, e não palavras que serão pronunciadas.

O que acontece com o áudio gerado?

Depois de processar a solicitação, o Polly retorna um AudioStream.

Podemos representar o processo completo assim:

Texto ->
Amazon Polly ->
AudioStream (bytes) ->
Aplicação ->
Destino

A partir do AudioStream, quem está utilizando o Polly pode decidir o destino do conteúdo.

Por exemplo, ele pode ser reproduzido diretamente, transformado em um arquivo MP3, armazenado no Amazon S3 ou utilizado como entrada em outro processo.

Essa separação é importante: o trabalho do Polly é sintetizar a fala e entregar o áudio. O armazenamento e a distribuição desse conteúdo pertencem à arquitetura que utiliza o serviço.

Conclusão

O Amazon Polly é uma solução de Text-to-Speech da AWS para transformar conteúdo textual em fala sintetizada.

Seu funcionamento é relativamente simples:

Texto -> Polly -> AudioStream

Apesar dessa simplicidade, o serviço oferece recursos importantes, como diferentes vozes, idiomas, engines de síntese e suporte a SSML para controlar características da fala.

Além disso, seu modelo de cobrança baseado na quantidade de caracteres processados permite estimar previamente o custo de diferentes volumes de utilização.

Com essas características, o Amazon Polly pode ser utilizado em acessibilidade, educação, atendimento, artigos narrados, aplicativos, IoT, games e diversas outras soluções que precisam transformar informações textuais em voz.