Amazon PollyのGenerativeエンジンがアップグレード：14種類の新音声と2つの新言語を追加

Amazon PollyのGenerativeエンジンに新しいモデルが導入され、より自然で正確な音声出力と低レイテンシが実現しました。これにより、9つのロケールで14種類の新しい音声が追加され、ヒンディー語とフィンランド語がGenerativeエンジンで初めて一般提供（GA）されました。数字やメールアドレス、住所などの複雑なコンテンツの読み上げ精度が向上し、SSMLによる微調整の必要性が軽減されています。また、本アップデートは東京リージョンを含む主要リージョンおよびAWS GovCloud (US-West) で利用可能です。

開発者の悩みと解決策

これまでTTS（Text-to-Speech）の実装では、数字やメールアドレスなどの特殊な文字列を自然に読ませるために、SSML（Speech Synthesis Markup Language）を駆使して細かく調整する手間が大きな負担となっていました。今回のモデルアップグレードにより、これらの複雑なコンテンツの読み上げが自動的に最適化されたため、開発コストを削減しつつ、高品質な音声体験をユーザーに提供できるようになります。

日本国内での利用状況

リサーチの結果、東京リージョン (ap-northeast-1) では利用可能であることが確認されています。一方で、大阪リージョン (ap-northeast-3) については公式発表に明記されていないため、利用を検討されている方はコンソールから最新の状況を確認してください。

実務上のアドバイス

今回のアップデートは「ドロップイン」形式のアップグレードであるため、既存の構成を維持したまま品質向上の恩恵を受けられます。ただし、LLMベースのAIエージェントやリアルタイムチャットボットを構築している場合、低レイテンシのストリーミングAPIと組み合わせることで、より人間らしい自然な対話体験を構築できるため、積極的に検証することをお勧めします。

次のアクション

まずは、Amazon PollyのコンソールまたはAPIから、新しく追加された音声の品質をテストし、特に数字や住所などの複雑な文字列が自社のアプリケーションで意図通りに読み上げられるかを確認してください。

参考リソース

• Amazon Polly ドキュメント: https://docs.aws.amazon.com/polly/latest/dg/what-is.html