Amazon Polly: Panduan Lengkap Text-to-Speech di AWS

Menyiapkan Amazon Polly

Sekarang, mari langsung praktik dan menyiapkan Amazon Polly! Bagian ini memberikan gambaran umum cara melakukannya.

Langkah 1: Membuat akun AWS

Untuk menggunakan Amazon Polly, Anda memerlukan akun AWS. Jika belum memilikinya, kunjungi halaman AWS sign-up dan ikuti langkah-langkah untuk membuatnya. Pastikan Anda memberikan informasi penagihan yang valid, karena layanan AWS, termasuk Polly, ditagihkan berdasarkan penggunaan.

Penyiapan IAM untuk izin

Saya merekomendasi untuk menyiapkan pengguna IAM (Identity and Access Management) dengan izin yang diperlukan untuk mengelola sumber daya Amazon Polly. Tetapkan kebijakan AmazonPollyFullAccess untuk memastikan pengguna dapat mengakses semua fitur Polly.

Langkah 2: Masuk ke Amazon Polly

Setelah masuk ke AWS Management Console, cari Polly di bilah pencarian di bagian atas.

Menu pencarian di konsol AWS.

Klik layanan Amazon Polly untuk masuk ke antarmuka Polly.

Menggunakan Amazon Polly untuk Text-to-Speech

Biasanya, pengembang menggunakan API Amazon Polly untuk mengintegrasikan fungsionalitas text-to-speech langsung ke dalam aplikasi mereka. Namun, Anda juga dapat menggunakan antarmuka AWS Polly untuk dengan cepat mencoba berbagai suara dan pengaturan tanpa menulis kode. Untuk melakukannya, klik tombol Try Polly di antarmuka Polly. Tombol ini memungkinkan Anda bereksperimen dengan berbagai input teks, jenis suara, dan format keluaran dari AWS Console, sehingga mudah menjelajahi kapabilitas Polly sebelum mengimplementasikannya secara terprogram.

Konversi text-to-speech dasar

Untuk melakukan konversi text-to-speech dasar, masukkan kalimat seperti "Hello, welcome to Amazon Polly!" ke dalam kotak input. Anda juga dapat memilih jenis mesin (misalnya, Generative, long-form, neural, atau standard), bahasa, dan suara. Klik Listen untuk langsung mendengarkan hasilnya atau klik Download untuk mengunduhnya sebagai file .mp3.

Antarmuka Amazon Polly di konsol AWS. 

Menyiapkan AWS SDK untuk text-to-speech

Anda perlu menyiapkan AWS SDK untuk mengintegrasikan Amazon Polly ke dalam aplikasi Anda secara terprogram. Ini memungkinkan Anda berinteraksi dengan Amazon Polly langsung dari kode, sehingga menghadirkan fungsionalitas text-to-speech yang lebih dinamis dan dapat disesuaikan.

Dalam tutorial ini, kita akan menggunakan Python SDK (boto3). Pasang boto3 melalui pip:

pip install boto3Didukung oleh

Lalu, konfigurasikan kredensial AWS Anda menggunakan AWS CLI:

aws configureDidukung oleh

Perintah aws configure pada CLI.

Menghasilkan suara melalui SDK

Berikut skrip Python sederhana untuk mengonversi teks menjadi suara menggunakan Amazon Polly:

import boto3

polly = boto3.client('polly')
response = polly.synthesize_speech(
    Text='Hello, this is a test of Amazon Polly.',
    OutputFormat='mp3',
    VoiceId='Joanna'
)

with open('speech.mp3', 'wb') as file:
    file.write(response['AudioStream'].read())Didukung oleh

Skrip ini menghasilkan suara dari teks dan menyimpannya sebagai file mp3.

Fitur Lanjutan Amazon Polly

Meskipun Amazon Polly dikenal luas karena fungsionalitas text-to-speech dasarnya, layanan ini juga menawarkan beragam fitur lanjutan yang memungkinkan pengembang menciptakan pengalaman suara yang lebih canggih dan interaktif. 

Menggunakan SSML (Speech Synthesis Markup Language)

SSML (Speech Synthesis Markup Language) memungkinkan pengembang mengendalikan berbagai aspek suara, seperti pitch, kecepatan, volume, dan penekanan, sehingga keluaran audio lebih ekspresif dan alami.

Dengan tag SSML, Anda dapat menambahkan jeda, menyesuaikan gaya bicara, dan bahkan mengeja akronim huruf demi huruf. Fleksibilitas ini sangat berguna untuk skenario seperti penceritaan, platform e-learning, dan aplikasi layanan pelanggan, di mana nada dan gaya penyampaian sangat memengaruhi keterlibatan pengguna. 

Sebagai contoh, Anda dapat menekankan kata-kata tertentu untuk menyampaikan pentingnya atau mengubah kecepatan bicara untuk konten instruksional agar lebih jelas.

Berikut cara menggunakan SSML dengan SDK Polly:

response = polly.synthesize_speech(
    Text="<speak><emphasis level='strong'>Important</emphasis> message!</speak>",
    TextType='ssml',
    OutputFormat='mp3',
    VoiceId='Matthew'
)

# Save the audio file
with open('speech_ssml.mp3', 'wb') as file:
    file.write(response['AudioStream'].read())Didukung oleh

Contoh ini menekankan kata "Important" agar menonjol dalam pesan yang diucapkan, meningkatkan dampak emosional pada pendengar. SSML juga mendukung fitur lanjutan seperti pengucapan fonem, bisikan, dan penambahan efek suara, memberikan kendali penuh kepada pengembang atas pengalaman suara.

Speech marks untuk sinkronisasi bibir

Speech marks menyediakan metadata selaras waktu, memungkinkan pengembang menyinkronkan suara dengan animasi, penyorotan teks, atau gerakan bibir karakter. 

Fitur ini sangat berharga untuk aplikasi interaktif seperti karakter virtual, gim edukasi, atau penyorotan teks bergaya karaoke. 

Dengan meminta speech marks bersamaan dengan sintesis suara, Anda mendapatkan informasi waktu terperinci untuk setiap kata atau kalimat, sehingga dapat menciptakan pengalaman multimedia yang dinamis dan tersinkronisasi. 

Sebagai contoh, Anda dapat menganimasikan gerakan mulut karakter agar selaras dengan kata-kata yang diucapkan atau menyorot teks secara real time saat dinarasikan. Berikut cara meminta speech marks:

response = polly.synthesize_speech(
    Text='Hello, world!',
    OutputFormat='json',
    VoiceId='Emma',
    SpeechMarkTypes=['word']
)

# Save the speech marks to a JSON file
with open('speech_marks.json', 'wb') as file:
    file.write(response['AudioStream'].read())Didukung oleh

Output JSON:

{"time":6,"type":"word","start":0,"end":5,"value":"Hello"}
{"time":714,"type":"word","start":7,"end":12,"value":"world"}Didukung oleh

Contoh di atas meminta speech marks untuk setiap kata, mengembalikan objek JSON dengan penanda waktu dan data teks. Pengembang kemudian dapat menggunakan informasi ini untuk menyinkronkan animasi frame-by-frame, menjadikan pengalaman audio-visual lebih menarik dan realistis.

Streaming real-time dengan Amazon Polly

Untuk aplikasi real-time seperti asisten suara, komentar langsung, atau chatbot interaktif, Amazon Polly mendukung streaming menggunakan protokol WebSocket atau pemutar media yang mendukung HLS (HTTP Live Streaming). 

Ini memungkinkan aplikasi mulai memutar audio saat sedang disintesis, mengurangi latensi dan menciptakan pengalaman pengguna yang lebih responsif. Streaming real-time ideal untuk skenario di mana kecepatan sangat penting, seperti dukungan pelanggan langsung atau AI percakapan. 

Pengembang dapat memanfaatkan fitur ini untuk membangun perangkat beraktivasi suara, pembaca berita, atau aplikasi penceritaan interaktif yang merespons input pengguna secara langsung.

Mengelola Sumber Daya Amazon Polly

Pengelolaan sumber daya Amazon Polly yang efektif sangat penting untuk mengoptimalkan kinerja, biaya, dan skalabilitas. Dengan menyimpan file suara secara strategis dan memantau penggunaan, Anda dapat memastikan pemanfaatan sumber daya yang efisien sekaligus mempertahankan pengalaman pengguna berkualitas tinggi. 

Amazon Polly terintegrasi mulus dengan layanan AWS lainnya, seperti Amazon S3 untuk penyimpanan dan AWS Billing Dashboard untuk pemantauan biaya, sehingga pengelolaan sumber daya menjadi lebih mudah. 

Membuat dan mengelola file suara

Amazon Polly memungkinkan Anda menyimpan suara yang disintesis di Amazon S3 untuk penyimpanan yang dapat diskalakan dan kemudahan pengambilan. Pendekatan ini sangat berguna untuk aplikasi dengan kebutuhan audio berulang, seperti platform e-learning, buku audio, atau bot dukungan pelanggan, di mana Anda dapat menggunakan kembali file audio alih-alih mensintesis suara setiap kali. 

Dengan menyimpan keluaran suara yang sering digunakan di S3, Anda dapat menurunkan biaya dan meningkatkan kinerja dengan menyajikan file audio yang di-cache langsung dari cloud.

s3 = boto3.client('s3')
s3.upload_file('speech.mp3', 'your-bucket-name', 'speech.mp3')Didukung oleh

Memantau penggunaan dan biaya

Manfaatkan AWS Billing and Cost Management Dashboard untuk memantau penggunaan dan biaya secara efisien. Dasbor ini menyediakan rincian biaya yang mendetail, laporan penggunaan, serta kemampuan untuk menyiapkan anggaran dan peringatan guna menghindari tagihan tak terduga. 

Pemantauan biaya sangat penting saat menggunakan neural voices, yang lebih mahal dibandingkan standard voices. Anda juga dapat melacak metrik penggunaan seperti jumlah karakter yang disintesis dan frekuensi panggilan API, yang dapat membantu mengoptimalkan pemanfaatan sumber daya.

Contoh dasbor biaya AWS.

Praktik Terbaik saat Menggunakan Amazon Polly

Saat menggunakan Amazon Polly, menerapkan praktik terbaik memastikan kinerja optimal, efisiensi biaya, dan pengalaman pengguna yang baik. Berikut beberapa pedoman utama:

Memilih suara yang tepat

Pemilihan suara yang tepat bergantung pada tujuan dan audiens target aplikasi. Amazon Polly menawarkan beragam suara, termasuk suara standar dan neural, masing-masing dengan nada dan karakteristik unik. 

• Neural voices memberikan suara yang lebih alami dan ekspresif namun lebih mahal. Karena itu, ideal untuk aplikasi yang memerlukan keterlibatan emosional tinggi, seperti buku audio atau penceritaan. 
• Standard voices menawarkan solusi hemat biaya untuk aplikasi berbasis utilitas seperti chatbot dukungan pelanggan. Menguji berbagai suara dengan umpan balik pengguna membantu memilih suara yang paling sesuai dengan kebutuhan aplikasi Anda.

Mengoptimalkan keluaran suara

Manfaatkan SSML (Speech Synthesis Markup Language) untuk meningkatkan kualitas suara dengan menyesuaikan parameter pitch, kecepatan, dan volume. Dengan penyetelan ini, Anda dapat menciptakan pengalaman audio yang lebih dinamis dan menarik. 

Misalnya, memperlambat kecepatan bicara meningkatkan kejelasan untuk konten instruksional, sementara menekankan frasa kunci meningkatkan penceritaan. Bereksperimen dengan berbagai tag SSML membantu Anda mencapai suara yang paling alami.

Mengurangi biaya

Strategi seperti mengelola frekuensi pembuatan suara dan menyimpan file audio yang sering digunakan di S3 untuk digunakan kembali perlu dipertimbangkan guna mengoptimalkan biaya saat menggunakan Amazon Polly. Pendekatan ini meminimalkan panggilan API berulang dan menurunkan biaya sintesis. 

Selain itu, menggunakan kombinasi suara standar dan neural secara strategis dapat menyeimbangkan biaya dan kualitas. 

Sebagai contoh, gunakan neural voices hanya untuk titik kontak krusial seperti pesan sambutan, sementara standard voices menangani konten informasional. Menyiapkan batas penggunaan dan peringatan biaya di AWS Billing Dashboard membantu menjaga kendali anggaran dan menghindari pengeluaran tak terduga.

Kesimpulan

Amazon Polly adalah layanan text-to-speech yang kuat yang memanfaatkan teknologi deep learning canggih untuk mengonversi teks menjadi suara yang menyerupai manusia, meningkatkan pengalaman pengguna dan aksesibilitas. 

Sepanjang tutorial ini, kita mengeksplorasi fitur-fitur mendasar Amazon Polly, mulai dari menyiapkan AWS SDK hingga menghasilkan suara secara terprogram. Kita juga membahas kapabilitas lanjutan, seperti menggunakan SSML untuk keluaran suara yang disesuaikan, memanfaatkan Speech Marks untuk sinkronisasi bibir dan animasi, serta menerapkan streaming real-time untuk aplikasi suara yang dinamis. 

Dengan mengintegrasikan Amazon Polly ke dalam aplikasi Anda, Anda dapat menciptakan pengalaman suara yang sangat interaktif dan personal yang melayani audiens global. Baik Anda membangun asisten virtual, buku audio, platform edukasi, atau alat aksesibilitas, Amazon Polly menyediakan fleksibilitas, skalabilitas, dan fitur lanjutan yang diperlukan untuk mewujudkan ide-ide Anda.

Jika Anda baru di AWS dan ingin memperkuat keterampilan cloud, pertimbangkan untuk mengeksplorasi kursus terkait berikut:

• AWS Concepts – Pelajari konsep dasar di balik komputasi cloud AWS.
• AWS Cloud Technology and Services – Praktik langsung dengan layanan AWS utama dan penerapan praktisnya.
• AWS Security and Cost Management – Pahami praktik terbaik untuk mengamankan sumber daya AWS dan mengoptimalkan biaya.
• AWS Cloud Practitioner Certification Track – Persiapkan diri untuk ujian AWS Cloud Practitioner CLF-C02 dengan jalur pembelajaran terstruktur.