Immagine AI

Amazon Web Services ha annunciato la disponibilità generale, con accesso subordinato ad autorizzazione, della funzionalità di clonazione vocale integrata in Amazon Polly, il servizio cloud dedicato alla conversione automatica del testo in contenuti audio. La nuova tecnologia consente alle organizzazioni di creare voci sintetiche personalizzate partendo da registrazioni di una singola persona, utilizzando il motore generativo di Amazon Polly per riprodurne le caratteristiche vocali. Il servizio è destinato alla realizzazione di interfacce conversazionali, sistemi telefonici automatizzati, applicazioni mobili, agenti vocali, contenuti pubblicitari, audiolibri e materiali didattici. La creazione della voce non comporta un costo aggiuntivo, mentre la successiva generazione dei contenuti audio viene fatturata secondo il modello di consumo del servizio. L’accesso è abilitato a livello di account AWS e può essere richiesto dalle organizzazioni interessate.

La procedura di generazione richiede l’acquisizione di un numero di registrazioni compreso tra uno e dieci, riferite esclusivamente alla medesima persona, per una durata complessiva non superiore a quindici minuti. AWS raccomanda l’utilizzo di materiale vocale naturale di durata compresa tra due e dieci minuti, privilegiando la qualità acustica rispetto alla quantità delle registrazioni. Il formato consigliato è WAV monofonico, con risoluzione a 16 bit e frequenza di campionamento di 24 kHz. Le registrazioni possono essere caricate attraverso la console AWS, trasmesse utilizzando l’API CreateVoice oppure recuperate da un bucket Amazon S3 situato nella regione di destinazione. La richiesta deve contenere l’indicazione della lingua utilizzata e l’accettazione delle condizioni relative ai diritti e al consenso della persona registrata.

La creazione avviene mediante un processo asincrono, durante il quale il sistema elabora le caratteristiche vocali presenti nei campioni e verifica la somiglianza della voce risultante. L’API restituisce immediatamente un identificativo univoco, mentre il completamento dell’elaborazione richiede generalmente tra cinque e dieci minuti. La voce può successivamente essere utilizzata attraverso SynthesizeSpeech per la generazione audio in tempo reale oppure mediante StartSpeechSynthesisTask per elaborazioni di maggiore durata, con archiviazione dei risultati su Amazon S3. Il servizio supporta inizialmente sette lingue, comprendenti inglese, spagnolo, tedesco, francese, italiano, portoghese e hindi. Ciascuna voce può tuttavia sintetizzare contenuti esclusivamente nella lingua utilizzata durante la registrazione e conserva lo stile espressivo acquisito dai campioni, senza poter combinare automaticamente differenti interpretazioni emotive.

La clonazione vocale è disponibile nelle regioni AWS che supportano il motore generativo di Amazon Polly, compresa AWS GovCloud US-West. Le voci rimangono associate all’account e alla regione in cui sono state create; il loro utilizzo in un’altra regione o attraverso un differente account richiede una nuova procedura di generazione, utilizzando registrazioni per le quali sia disponibile il relativo consenso. La quota iniziale è di dieci voci per account e regione, mentre le operazioni di creazione ed eliminazione sono complessivamente soggette a un limite di una richiesta al secondo.

L’infrastruttura integra controlli di accesso attraverso AWS Identity and Access Management, la possibilità di utilizzare chiavi di cifratura personalizzate mediante AWS Key Management Service e l’inserimento di un watermark nei contenuti audio sintetizzati. Al termine della creazione, Amazon Polly elimina le proprie copie delle registrazioni sorgente e conserva in forma cifrata esclusivamente i dati vocali necessari alla sintesi, che possono essere rimossi mediante DeleteVoice. AWS specifica inoltre che le registrazioni non vengono utilizzate per addestrare i modelli generali di Amazon Polly. Per i contenuti destinati a essere riprodotti ripetutamente, come i messaggi di accoglienza telefonica, è consigliata la generazione preventiva del file audio, seguita dalla sua approvazione e archiviazione, considerando che successive elaborazioni dello stesso testo possono produrre lievi variazioni nella resa vocale.

Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)

Di Fantasy