Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Generative Stimmen
Die generative Engine text-to-speech (TTS) von Amazon Polly bietet die menschenähnlichsten, emotional engagiertesten und anpassungsfähigsten Konversationsstimmen, die für die Nutzung über die Amazon Polly Polly-Konsole verfügbar sind.
Die Generative Engine ist das bisher größte Amazon Polly TTS-Modell. Sie verwendet einen Transformator mit Milliarden Parametern, der Rohtext in Sprachcodes umwandelt, gefolgt von einem auf Faltung basierenden Decoder, der diese Sprachcodes schrittweise und streamfähig in Wellenformen umwandelt. Diese Methode verdeutlicht, welche Fähigkeiten Large Language Models (LLMs) häufig zeigen, wenn sie mit immer größeren Mengen öffentlich verfügbarer und urheberrechtlich geschützter Daten trainiert werden, die eine Vielzahl von Stimmen, Sprachen und Stilen beinhalten.
Die generative Engine erzeugt synthetische Sprache, die emotional engagiert, durchsetzungsfähig und sehr umgangssprachlich ist, und zwar auf eine Weise, die der menschlichen Stimme bemerkenswert ähnlich ist. Sie können diese Stimmen als sachkundigen Kundenassistenten, als virtuellen Trainer oder als Werbetreibender mit einer fast menschlichen synthetischen Sprache verwenden.
Anmerkung
Die state-of-the-art Technologie, die diesen Stimmen zugrunde liegt, fällt in das Paradigma der generativen KI für Sprach- und Stimmmodellierung. Ein Nebeneffekt der Technologie besteht darin, dass jegliche Aktualisierung der Trainingsdaten und des Modells zu geringfügigen Abweichungen im Klang der Stimmen führen kann, selbst wenn sich ihre Gesamtqualität durch Modellaktualisierungen verbessert. Dies könnte sich auf Anwendungsfälle auswirken, bei denen verschiedene Inhaltsteile über einen langen Zeitraum synthetisiert wurden — beispielsweise eine Podcast-Saison.
Verfügbare generative Stimmen
Amazon Polly bietet derzeit 43 Stimmen in einer generativen Variante an.
| Sprache | Sprachcode | Name/ID | Gender | |
|---|---|---|---|---|
1 |
Englisch (australisch) |
en-AU |
Olivia |
Weiblich |
2 |
Englisch (britisch) |
en-GB |
Amy Brian |
Weiblich Männlich |
3 |
Englisch (indisch) |
en-IN |
Kajal |
Weiblich |
4 |
Englisch (Irland) |
en-IE |
Niamh |
Weiblich |
5 |
Englisch (Neuseeland) |
en-NZ |
Aria |
Weiblich |
6 |
Englisch (Singapurisch) |
en-SG |
Jasmin |
Weiblich |
7 |
Englisch (Südafrikanisch) |
en-ZA |
Ayanda |
Weiblich |
8 |
Englisch (amerikanisch) |
en-US |
Danielle Joanna Matthew Ruth Salli Stephen Tiffany |
Weiblich Weiblich Männlich Weiblich Weiblich Männlich Weiblich |
9 |
Niederländisch (Belgien) |
nl-BE |
Lisa |
Weiblich |
10 |
Niederländisch (Niederlande) |
nl-NL |
Laura |
Weiblich |
11 |
Französisch (Belgisch) |
fr-BE |
Isabelle |
Weiblich |
12 |
Kanadisches Französisch |
fr-CA |
Gabrielle Liam |
Weiblich Männlich |
13 |
Französisch (Frankreich) |
fr-FR |
Ambre Céline Florian Léa Remi |
Weiblich Weiblich Männlich Weiblich Männlich |
14 |
Deutsch (Österreich) |
de-AT |
Hannah |
Weiblich |
15 |
Deutsch (Deutschland) |
de-DE |
Daniel Lennart Vicki |
Männlich Männlich Weiblich |
16 |
Deutsch (Schweizerisch) |
de-CH |
Sabrina |
Weiblich |
17 |
Italienisch (Italien) |
it-IT |
Beatrice Bianca Lorenzo |
Weiblich Weiblich Männlich |
18 |
Koreanisch (Korea) |
ko-KR |
Seoyeon |
Weiblich |
19 |
Polnisch (Polen) |
pl-PL |
Ewa Ola |
Weiblich Weiblich |
20 |
Portugiesisch (brasilianisch) |
pt-BR |
Camila |
Weiblich |
21 |
Spanisch (Mexikanisch) |
es-MX |
Andrés Mia |
Männlich Weiblich |
22 |
Spanisch (Spanien) |
es-ES |
Lucia Sergio |
Weiblich Männlich |
23 |
Spanisch (USA) |
es-US |
Lupe Pedro |
Weiblich Männlich |
Anmerkung
Die Kosten für Generative Stimmen sind auf der Preisinformationsseite von Amazon Polly
Kompatibilität mit Funktionen und Regionen
Generative Stimmen von Amazon Polly sind in den folgenden Regionen verfügbar:
-
USA Ost (Nord-Virginia): us-east-1
-
Europa (Frankfurt): eu-central-1
-
USA West (Oregon): us-west-2
-
Asien-Pazifik (Tokio): ap-northeast-1
-
Asien-Pazifik (Seoul): ap-northeast-2
-
Asien-Pazifik (Singapur): ap-southeast-1
-
Europa (London): eu-west-2
-
Kanada (Zentral): ca-central-1
-
Andere Regionen sind nicht verfügbar
Die folgenden Funktionen werden für generative Stimmen unterstützt:
-
Die bidirektionale Streaming-API wird jetzt in der Generative Engine angeboten und ermöglicht das gleichzeitige Streamen von Eingabe und Ausgabe. Diese API ist in den folgenden AWS Regionen verfügbar: USA Ost (Nord-Virginia), Europa (Frankfurt), USA West (Oregon) und Asien-Pazifik (Singapur). Besuchen Sie die Dokumentation, um mehr darüber zu erfahren, wie Sie sie verwenden können.
-
Echtzeit- und asynchrone Sprachsyntheseoperationen.
-
Der Sprechstil von Nachrichtensendern wird von der Generative Engine nicht unterstützt.
-
Viele (aber nicht alle) SSML-Tags werden von Amazon Polly unterstützt. Weitere Informationen zu von NTTS unterstützten SSML-Tags finden Sie unter Unterstützte SSML-Tags
-
Wie bei Standardstimmungen können Sie aus verschiedenen Samplingraten wählen, um die Bandbreite und Audioqualität für Ihre Anwendung zu optimieren. Gültige Samplingraten für Standard- und neuronale Stimmen sind 8 kHz, 16 kHz, 22 kHz oder 24 kHz. Der Standardwert für Standardstimmen ist 22 kHz. Die Standardeinstellung für generative Stimmen ist 24 kHz. Amazon Polly unterstützt MP3 OGG (Vorbis) und Roh-PCM-Audiostreamformate.
Support für die Generierung von Sprachmarken ist derzeit nicht verfügbar.
Anmerkung
Derzeit unterstützen die Regionen Europa (London) und Kanada (Zentral) nur die folgenden generativen Stimmen: Tiffany (en-US), Amy (en-GB), Brian (en-GB), Florian (fr-FR), Ambre (fr-FR), Lorenzo (it-IT), Beatrice (it-IT), Jasmine (en-SG), Aria (en-NZ), Sabrina (de-CH), Hannah (de-AT), Niannah (de-AT), amh (de-DE), Camila (pt-BR), Lisa (nl-BE) und Seoyeon (ko-KR)
Anmerkung
Im unwahrscheinlichen Fall einer Modellhalluzination (und aufgrund des Modellverhaltens der Generative Engine, die Sprache Zeichen für Zeichen wiederzugeben) ist ein erzwungener Not-Aus-Mechanismus vorhanden. Der eingebaute Mechanismus verhindert, dass das Modell Sprache weiter wiedergibt. Dieses Sicherheitsmerkmal basiert auf einer Datenanalyse, bei der das Modell halluzinieren kann, normalerweise am Ende des Satzes.
Es kann Fälle geben, in denen das Modell denkt, es würde halluzinieren, und dann während eines Generationsschritts ein Wort herausschneiden und so die Hälfte des Wortes wiedergeben. Dies könnte möglicherweise zu unangemessenen Ergebnissen führen.
