Polly 是 Amazon 雲端平台的其中一個服務，可以將文字轉為聲音（text to speech）。雖然文字轉聲音這件事並不稀奇，Google 翻譯也能輕鬆做到，不過 Polly 可以根據文字盡可能發出自然的聲音，對語言學習者來說是一大福音。除此之外能夠應用的範圍也很廣，例如字幕轉為聲音、腳本、旁白、對白，甚至直接用 Polly 來錄 Podcast 也不無可能。想要試試看效果的讀者可以到 Amazon Polly。

常用語言測試

以使用範圍來說，我會想要測試中文、英文、日文、韓文。這邊放上幾個我用 Polly 轉換出來的聲音樣本：

• 日文
• 中文（華語）
• 英文（美式）
• 英文（英式）
• 韓文

英文就不用說了，支援相當豐富，可以選擇美式跟英式發音之外還有不同的人聲可以搭配，聽起來相當自然，沒有認真聽很容易以為是真人；中文聽起來就是有點不自然，應該不是台灣華語，但也不像普通話；日文的支援程度超乎我的想像，句子聽起來相當通順之外，如果有英文參雜的情況下，Polly 甚至會將英文轉為日式發音後再唸出來。舉例來說：「この件についてはbug ticket必要でしょうか？（這個問題需要開票嗎？）」，Polly 念出來會是：

雖然沒辦法像聲優那樣根據場景有豐富的聲音變化，但對我來說已經是相當實用的工具了。

Polly 有提供兩種選項，一種是「神經語音」，會盡可能發出自然、最接近真人的聲音；另外一種是「標準」，就是聽起來已經算蠻自然的人聲，但還是聽得出來機械音，目前只有部分的語言有支援「神經語音」。在中英日韓當中，英日韓都有支援「神經」。

Polly 支援 SSML（Speech Synthesis Markup Language）¹，可以用標記的方式針對特定的句子做停頓，或是針對場景改變人聲的語調等等，讓聲音更有臨場感。

定價

定價表可以參考官方網站。每一百萬個字元 4 美金，用神經語音的話則是 16 美金，除非是產品本身有大量文字轉聲音的需求，不然一般當作輔助使用的話應該是非常便宜的價格，獨立開發者也能輕鬆使用。

每月需依照所處理的文字字元數量付費。Amazon Polly 標準語音的語音或語音標記請求是以每 1 百萬個字元 4.00 USD 計費 (超出免費方案時)。Amazon Polly 神經語音的語音或語音標記請求是以每 1 百萬個字元 16.00 USD 計費 (超出免費方案時)。

串接（以 node.js 為例）

要串接 Polly 很簡單，只要透過 aws-sdk 即可。以下是範例程式碼：

polly.synthesizeSpeech(
  {
    Text: "おはようございます",
    TextType: "text",
    VoiceId: "Takumi",
    LanguageCode: "ja-JP",
    OutputFormat: "mp3",
  },
  (err, data) => {
    if (err) {
      console.log(err);
    }
    fs.writeFileSync("./result.mp3", data.AudioStream);
  }
);

polly.startSpeechSynthesisTask()

這樣子寫會將轉換後的聲音放入 result.mp3 當中了。

總結

Polly 這個服務好用又便宜，感覺可以套用到許多應用當中來增加內容的豐富度。我的話會用在語言學習上，輸入文字後就能聽到即時且接近真實的發音相當方便。

對於中文使用者來說，雖然聲音是可接受的，但畢竟不是台灣人熟悉的腔調，容易造成抗拒，這點蠻可惜的，希望之後有台灣本土的腔調可以使用。