AWS Lambda ＋ AI ＝ 音声文字起こしと感情分析 （その５：Polly）

単語間に一時停止を追加するには、 要素を使用します。次の SSML synthesize-speech コマンドは、 要素を使用して、「Hello」と「World」の間に 300 ミリ秒のディレイを追加します。

<speak>
     Hello <break time="300ms"/> World.
</speak>

ピッチ、話す速度、話す音量を制御するには、 要素を使用します。

次の synthesize-speech は  要素を使用して音量を制御します。

<speak>
     <prosody volume="+20dB">Hello world</prosody>
</speak>

次の synthesize-speech コマンドは 要素を使用してピッチを制御します。

<speak>
     <prosody pitch="x-high">Hello world.</prosody>
</speak>

次の synthesize-speech コマンドは  要素を使用して話す速度を指定します。

<speak>
     <prosody rate="x-fast">Hello world.</prosody>
</speak>

次の例に示すように、 要素に複数の属性を指定できます。

<speak>
     <prosody volume="x-loud" pitch="x-high" rate="x-fast">Hello world.</prosody>
</speak>

単語をささやくには、<amazon:effect name="whispered"> 要素を使用します。次の例で、 <amazon:effect name="whispered">要素は Amazon Polly に「little lamb」をウィスパーするようにに指示します。

<speak>
     Mary has a <amazon:effect name="whispered">little lamb.</amazon:effect>
</speak>

この効果を高めるには、<prosody> 要素を使用して、ウィスパー音声をわずかに遅くします。

単語または語句を強調するには、<emphasis> 要素を使用します。

<speak>
     <emphasis level="strong">Hello</emphasis> world how are you?
</speak>

読み上げられるテキストの種類に関する情報を提供するには、<say-as> 要素を使用します。

たとえば、次の SSML <say-as> は、テキスト 4/6 を日付として解釈する必要があることを示します。属性 interpret-as="date" format="dm" は、月/日の形式の日付として発声する必要があることを示します。

また、<say-as> 要素は、に数字を分数、電話番号、測定単位などとして発声するようAmazon Polly に指示するために使用することもできます。

<speak>
     Today is <say-as interpret-as="date" format="md" >4/6</say-as>
</speak>

生成される音声は「Today is June 4th」となります。<say-as> タグは、interpret-as 属性で追加コンテキストを指定することで、そのテキストをどのように解釈するかを説明します。

合成された音声を確認するには、生成された speech.mp3 ファイルを再生します。

この要素の詳細については、「特殊なタイプの単語の発声方法を制御する 」
（https://docs.aws.amazon.com/ja_jp/polly/latest/dg/supportedtags.html#say-as-tag）を参照してください。

Amazon Polly では、入力テキストは選択されたボイスと同じ言語であることを前提としています。
入力テキスト内の外国語の発音を向上させるには、synthesize-speech 呼び出しで、xml:lang 属性を使用して対象言語を指定します。これにより、Amazon Polly はタグ付けされた外国語に対し異なる発音ルールを適用します。

次の例では、入力テキストの言語のさまざまな組み合わせを使用して、外国語の音声と発を指定する方法を説明します。
使用可能な言語の完全なリストについては、「Amazon Polly でサポートされる言語（https://docs.aws.amazon.com/ja_jp/polly/latest/dg/SupportedLanguage.html）」を参照してください。

次の例では、音声 (Joanna) は米国英語の音声です。デフォルトでは、Amazon Polly では、入力テキストは選択されたボイスと同じ言語 (この場合は米国英語) であることを前提としています。

使用すると、xml:langタグを使用すると、Amazon Polly はテキストをスペイン語として解釈し、テキストは外国語の発音ルールに基づいて選択した音声がスペイン語を発音する場合のように発音されます。このタグがない場合、テキストは選択された音声の発音ルールを使用して発声されます。

<speak>
     That restaurant is terrific. <lang xml:lang="es-ES">Mucho gusto.</lang>
</speak>

入力テキストの言語は英語のため、Amazon Polly は生成されたスペイン語音素をもっとも近い英語音素にマッピングします。
その結果、Joanna は、スペイン語を正しく発音しているが米国英語のアクセントがある米国英語のネイティブスピーカーとして発声します。
注記　より似通っている言語同士の組み合わせであれば、他の組み合わせよりうまく機能します。