Amazon Polly hiện có thể nhân bản giọng nói của một người chỉ từ vài phút bản ghi âm, giúp các doanh nghiệp sử dụng dịch vụ đám mây của Amazon dễ dàng tiếp cận công nghệ này, với các bước xác minh sự đồng ý và hình mờ ẩn được tích hợp sẵn.

Những điểm chính

  • Tính năng nhân bản giọng nói trong Amazon Polly hiện đã được cung cấp rộng rãi theo hình thức phát hành có kiểm soát truy cập

  • Khách hàng có thể tạo giọng nói nhân bản từ vài phút bản ghi âm của một người đã đồng ý

  • Tính năng được ra mắt với các ngôn ngữ: tiếng Anh, tiếng Tây Ban Nha, tiếng Đức, tiếng Pháp, tiếng Ý, tiếng Bồ Đào Nha và tiếng Hindi

  • Việc tạo giọng nói nhân bản là miễn phí, còn sử dụng giọng nói này sẽ được tính phí theo mức sử dụng

Amazon Web Services (AWS) thông báo rằng khách hàng có thể cung cấp cho Amazon Polly vài phút âm thanh của một người đã đồng ý cho nhân bản giọng nói, sau đó tạo lời nói mới bằng giọng của người đó thông qua công cụ tạo sinh của Amazon Polly.

Một số khách hàng Amazon Polly đã được cấp quyền truy cập. Những khách hàng khác có thể liên hệ với nhóm phụ trách tài khoản AWS hoặc đăng ký quyền truy cập. Tính năng này có ở tất cả các Khu vực AWS được công cụ tạo sinh của Amazon Polly hỗ trợ, bao gồm AWS GovCloud (US).

Cách thức nhân bản giọng nói

Amazon Polly tạo giọng nói tùy chỉnh từ bản ghi âm của một người, sau đó cho phép khách hàng dùng giọng nói đó để tạo âm thanh theo thời gian thực bằng SynthesizeSpeech hoặc âm thanh dài được ghi vào Amazon S3 bằng StartSpeechSynthesisTask. AWS cho biết giọng nói được nhân bản có thể được sử dụng giống như các giọng nói tạo sinh khác trong Amazon Polly khi chọn Engine=”generative”.

Quy trình tạo gồm bốn bước. Khách hàng ghi âm một người, gọi CreateVoice với 1 đến 10 bản ghi âm và ngôn ngữ được nói, chờ Amazon Polly tạo giọng nói ở chế độ nền, sau đó sử dụng ID giọng nói được trả về khi trạng thái chuyển từ đang chờ sang đang hoạt động hoặc thất bại. Quá trình tạo diễn ra không đồng bộ và thường mất 5 đến 10 phút.

Bước nhân bản giọng nóiViệc Amazon Polly thực hiệnGhi âmThu âm một người rồi gửi bản ghi âm trực tiếp, tải lên trong bảng điều khiển hoặc lưu vào S3 tại Khu vực AWS mục tiêuTạoGọi CreateVoice với 1 đến 10 bản ghi âm, ngôn ngữ và TermsAccepted=True để xác nhận sự đồng ýChờAmazon Polly trả về ID giọng nói ngay lập tức, tạo giọng nói ở chế độ nền và thường hoàn tất trong 5 đến 10 phútSử dụngTruyền ID giọng nói cho SynthesizeSpeech để tạo âm thanh theo thời gian thực hoặc cho StartSpeechSynthesisTask để tạo âm thanh dài

Chất lượng bản ghi âm rất quan trọng. AWS khuyến nghị ghi 2 đến 10 phút lời nói tự nhiên, chia thành các đoạn tối đa một phút, với tối đa 10 bản ghi âm và tổng thời lượng âm thanh tối đa 15 phút. Công ty khuyến nghị thu âm trong phòng yên tĩnh, chỉ có một người nói, giữ khoảng cách với micrô nhất quán và dùng định dạng WAV mono 16-bit, 24 kHz. Công ty cũng cảnh báo không nên dùng ứng dụng họp và trình ghi âm trên trình duyệt vì tính năng khử tiếng vang và giảm nhiễu có thể làm biến đổi giọng nói mà mô hình nhân bản học được.

Cũng đọc: Bedrock của Amazon khắc phục tình trạng thiếu quyền truy cập GPT tại 5 thị trường châu Á, không còn giới hạn tốc độ

Sự đồng ý và các biện pháp kiểm soát

Giọng nói được nhân bản được tạo từ bản ghi âm của một người, và khách hàng xác nhận người nói đã đồng ý mỗi khi tạo giọng nói, dù thực hiện trong bảng điều khiển hay đặt TermsAccepted=True trong API. AWS cũng khuyến nghị lưu hồ sơ về sự đồng ý của từng người nói, xóa giọng nói nếu họ rút lại sự đồng ý, thông báo cho người nghe khi thích hợp rằng họ đang nghe giọng nói tổng hợp, đồng thời giới hạn quyền truy cập cho những người và hệ thống cần sử dụng.

Lời nói được tạo có gắn hình mờ. Giọng nói được nhân bản chỉ thuộc phạm vi tài khoản AWS đã tạo ra nó và có thể được kiểm soát quyền truy cập bằng AWS Identity and Access Management. Khách hàng có thể mã hóa giọng nói bằng khóa AWS Key Management Service của riêng mình, gắn thẻ và xóa giọng nói bằng DeleteVoice sau khi giọng nói được kích hoạt hoặc nếu quá trình tạo thất bại.

AWS cho biết Amazon Polly không lưu giữ bản sao của các bản ghi âm sau khi tạo giọng nói và không dùng chúng để huấn luyện các mô hình Amazon Polly. Dịch vụ chỉ lưu dữ liệu giọng nói cần thiết để tổng hợp lời nói, lưu trữ dữ liệu đó dưới dạng mã hóa và cho biết DeleteVoice sẽ xóa dữ liệu ngay lập tức.

Vì sao điều này quan trọng

Trước đây, nhân bản giọng nói chủ yếu chỉ có trong các công cụ chuyên dụng. Việc tích hợp tính năng này vào một trong những nền tảng đám mây lớn nhất thế giới đồng nghĩa với việc ngân hàng, studio trò chơi hoặc đơn vị cung cấp khóa học trực tuyến có thể giúp ứng dụng của mình nói bằng giọng của một người thật chỉ trong vài phút, bằng bảy ngôn ngữ, bao gồm tiếng Hindi, mà không cần rời khỏi các hệ thống họ đang sử dụng.

Điều này cũng làm tăng nguy cơ bị lạm dụng. Giọng nói nhân bản đã được dùng trong các vụ lừa đảo qua điện thoại, đó là lý do AWS gắn mỗi giọng nói với xác nhận đồng ý, thêm hình mờ vào âm thanh và khóa giọng nói vào tài khoản đã tạo ra nó. Các biện pháp bảo vệ này phụ thuộc vào việc khách hàng khai báo trung thực về sự đồng ý, vì vậy việc Amazon kiểm tra hồ sơ đăng ký cho đợt phát hành có giới hạn nghiêm ngặt đến đâu sẽ rất quan trọng.

Điều cần theo dõi tiếp theo

Tính năng này mở rộng các trường hợp sử dụng âm thanh mang thương hiệu và tùy chỉnh trong ứng dụng AWS, từ menu điện thoại tự động, trợ lý giọng nói, ứng dụng di động và thông báo tại cửa hàng đến sách nói, khóa học, podcast, nhân vật trò chơi và video. Với nội dung đa ngôn ngữ, có một giới hạn rõ ràng: mỗi giọng nói được nhân bản chỉ nói được ngôn ngữ đã dùng để ghi âm, vì vậy khách hàng cần tạo và duyệt các giọng nói được phê duyệt cho từng ngôn ngữ được hỗ trợ.

AWS đã cấp quyền truy cập cho một số khách hàng, trong khi những khách hàng khác vẫn cần đăng ký hoặc làm việc thông qua nhóm phụ trách tài khoản. Công ty cho biết việc tạo giọng nói nhân bản miễn phí đối với khách hàng Amazon Polly, nhưng mức sử dụng dịch vụ để tạo nội dung được tính phí theo mức sử dụng.

Đọc tiếp: Bản xem trước Drama 3 của Fish Audio dẫn đầu bảng xếp hạng Open Speech, khắc phục lỗi phát âm