Amazon Polly: Hướng dẫn hoàn chỉnh về Text-to-Speech trong AWS

Thiết lập Amazon Polly

Giờ hãy bắt tay vào thiết lập Amazon Polly! Phần này cung cấp tổng quan cách thực hiện.

Bước 1: Tạo tài khoản AWS

Để sử dụng Amazon Polly, trước tiên bạn cần một tài khoản AWS. Nếu chưa có, hãy truy cập trang đăng ký AWS và làm theo các bước để tạo tài khoản. Hãy đảm bảo cung cấp thông tin thanh toán hợp lệ, vì các dịch vụ AWS, bao gồm Polly, được tính phí theo mức sử dụng.

Thiết lập IAM cho quyền truy cập

Tôi khuyến nghị thiết lập người dùng IAM (Identity and Access Management) với các quyền cần thiết để quản lý tài nguyên Amazon Polly. Gán chính sách AmazonPollyFullAccess để đảm bảo người dùng có thể truy cập toàn bộ tính năng của Polly.

Bước 2: Điều hướng đến Amazon Polly

Sau khi đăng nhập AWS Management Console, hãy tìm Polly trên thanh tìm kiếm ở phía trên.

Menu tìm kiếm trong bảng điều khiển AWS.

Nhấp vào dịch vụ Amazon Polly để vào giao diện Polly.

Sử dụng Amazon Polly cho Text-to-Speech

Thông thường, nhà phát triển sử dụng API của Amazon Polly để tích hợp chức năng chuyển văn bản thành giọng nói trực tiếp vào ứng dụng. Tuy nhiên, bạn cũng có thể dùng giao diện AWS Polly để nhanh chóng thử các giọng đọc và thiết lập khác nhau mà không cần viết mã. Để làm điều đó, nhấp vào nút Try Polly trong giao diện Polly. Nút này cho phép bạn thử nghiệm nhiều đầu vào văn bản, kiểu giọng và định dạng đầu ra ngay từ AWS Console, giúp bạn dễ dàng khám phá khả năng của Polly trước khi triển khai bằng mã.

Chuyển văn bản thành giọng nói cơ bản

Để thực hiện chuyển đổi cơ bản, hãy nhập một câu như "Hello, welcome to Amazon Polly!" vào ô nhập. Bạn cũng có thể chọn loại engine (ví dụ: Generative, long-form, neural hoặc standard), ngôn ngữ và giọng đọc. Nhấp Listen để nghe ngay lập tức hoặc nhấp Download để tải xuống dưới dạng tệp .mp3.

Giao diện Amazon Polly trong bảng điều khiển AWS. 

Thiết lập AWS SDK cho chuyển văn bản thành giọng nói

Bạn cần thiết lập AWS SDK để tích hợp Amazon Polly vào ứng dụng bằng lập trình. Điều này cho phép bạn tương tác với Amazon Polly trực tiếp từ mã nguồn, kích hoạt các chức năng chuyển văn bản thành giọng nói động và tùy biến hơn.

Trong hướng dẫn này, chúng ta sẽ sử dụng Python SDK (boto3). Cài đặt boto3 qua pip:

pip install boto3Được hỗ trợ bởi

Sau đó, cấu hình thông tin xác thực AWS của bạn bằng AWS CLI:

aws configureĐược hỗ trợ bởi

Lệnh aws configure trên CLI.

Tạo giọng nói qua SDK

Dưới đây là một đoạn script Python đơn giản để chuyển văn bản thành giọng nói bằng 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())Được hỗ trợ bởi

Đoạn script này tạo giọng nói từ văn bản và lưu dưới dạng tệp mp3.

Các tính năng nâng cao của Amazon Polly

Bên cạnh chức năng chuyển văn bản thành giọng nói cơ bản, Amazon Polly còn cung cấp nhiều tính năng nâng cao giúp nhà phát triển tạo trải nghiệm giọng nói tinh vi và tương tác hơn. 

Sử dụng SSML (Speech Synthesis Markup Language)

SSML (Speech Synthesis Markup Language) cho phép kiểm soát nhiều khía cạnh lời nói như cao độ, tốc độ, âm lượng và nhấn giọng, giúp đầu ra âm thanh biểu cảm và tự nhiên hơn.

Bằng cách sử dụng thẻ SSML, bạn có thể chèn ngắt nghỉ, điều chỉnh phong cách nói, thậm chí đánh vần từng chữ cái của từ viết tắt. Tính linh hoạt này đặc biệt hữu ích cho các tình huống như kể chuyện, nền tảng e-learning và ứng dụng chăm sóc khách hàng, nơi giọng điệu và cách truyền đạt ảnh hưởng lớn đến mức độ tương tác. 

Ví dụ, bạn có thể nhấn mạnh một số từ để thể hiện tầm quan trọng hoặc thay đổi tốc độ nói cho nội dung hướng dẫn để đảm bảo rõ ràng.

Cách dùng SSML với Polly SDK:

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())Được hỗ trợ bởi

Ví dụ này nhấn mạnh từ "Important" để làm nổi bật trong thông điệp được đọc, tăng tác động cảm xúc với người nghe. SSML cũng hỗ trợ các tính năng nâng cao như phiên âm theo âm vị, thì thầm và thêm hiệu ứng âm thanh, giúp nhà phát triển kiểm soát hoàn toàn trải nghiệm giọng nói.

Speech marks để khớp môi

Speech marks cung cấp siêu dữ liệu căn thời gian, cho phép đồng bộ giọng nói với hoạt ảnh, tô sáng văn bản hoặc cử động môi của nhân vật. 

Tính năng này đặc biệt giá trị cho các ứng dụng tương tác như nhân vật ảo, trò chơi giáo dục hoặc tô sáng văn bản kiểu karaoke. 

Bằng cách yêu cầu speech marks cùng với tổng hợp giọng nói, bạn nhận được thông tin thời gian chi tiết cho từng từ hoặc câu, cho phép tạo trải nghiệm đa phương tiện đồng bộ và sinh động. 

Ví dụ, bạn có thể tạo hoạt ảnh cử động miệng của nhân vật khớp với từ được đọc hoặc tô sáng văn bản theo thời gian thực khi được thuyết minh. Cách yêu cầu 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())Được hỗ trợ bởi

JSON đầu ra:

{"time":6,"type":"word","start":0,"end":5,"value":"Hello"}
{"time":714,"type":"word","start":7,"end":12,"value":"world"}Được hỗ trợ bởi

Ví dụ trên yêu cầu speech marks cho từng từ, trả về đối tượng JSON chứa dấu thời gian và dữ liệu văn bản. Nhà phát triển có thể dùng thông tin này để đồng bộ hoạt ảnh theo từng khung hình, giúp trải nghiệm nghe nhìn hấp dẫn và chân thực hơn.

Phát trực tuyến thời gian thực với Amazon Polly

Đối với các ứng dụng thời gian thực như trợ lý giọng nói, bình luận trực tiếp hoặc chatbot tương tác, Amazon Polly hỗ trợ phát trực tuyến bằng giao thức WebSocket hoặc qua trình phát hỗ trợ HLS (HTTP Live Streaming). 

Điều này cho phép ứng dụng bắt đầu phát âm thanh trong khi đang tổng hợp, giảm độ trễ và mang đến trải nghiệm phản hồi tốt hơn. Phát trực tuyến thời gian thực lý tưởng cho các tình huống đòi hỏi tính tức thì, như hỗ trợ khách hàng trực tuyến hoặc AI hội thoại. 

Nhà phát triển có thể tận dụng tính năng này để xây dựng thiết bị kích hoạt bằng giọng nói, trình đọc tin tức hoặc ứng dụng kể chuyện tương tác phản hồi theo đầu vào của người dùng ngay lập tức.

Quản lý tài nguyên Amazon Polly

Quản lý hiệu quả tài nguyên Amazon Polly rất quan trọng để tối ưu hiệu năng, chi phí và khả năng mở rộng. Bằng cách lưu trữ tệp giọng nói hợp lý và theo dõi mức sử dụng, bạn có thể đảm bảo khai thác tài nguyên hiệu quả đồng thời duy trì trải nghiệm người dùng chất lượng cao. 

Amazon Polly tích hợp liền mạch với các dịch vụ AWS khác như Amazon S3 để lưu trữ và AWS Billing Dashboard để theo dõi chi phí, giúp việc quản lý tài nguyên dễ dàng hơn. 

Tạo và quản lý tệp giọng nói

Amazon Polly cho phép bạn lưu trữ giọng nói đã tổng hợp trên Amazon S3 để có khả năng lưu trữ mở rộng và truy xuất dễ dàng. Cách tiếp cận này đặc biệt hữu ích cho các ứng dụng có nhu cầu âm thanh lặp lại, như nền tảng e-learning, sách nói hoặc bot hỗ trợ khách hàng, nơi bạn có thể tái sử dụng tệp âm thanh thay vì tổng hợp lại mỗi lần. 

Bằng cách lưu trữ các đầu ra giọng nói dùng thường xuyên trên S3, bạn có thể giảm chi phí và cải thiện hiệu năng bằng cách phục vụ tệp âm thanh được lưu sẵn trực tiếp từ đám mây.

s3 = boto3.client('s3')
s3.upload_file('speech.mp3', 'your-bucket-name', 'speech.mp3')Được hỗ trợ bởi

Theo dõi mức sử dụng và chi phí

Tận dụng AWS Billing and Cost Management Dashboard để theo dõi hiệu quả mức sử dụng và chi phí. Bảng điều khiển này cung cấp phân tích chi phí chi tiết, báo cáo sử dụng và khả năng thiết lập ngân sách và cảnh báo để tránh phát sinh chi phí ngoài ý muốn. 

Theo dõi chi phí đặc biệt quan trọng khi sử dụng giọng neural, vốn đắt hơn giọng standard. Bạn cũng có thể theo dõi các số liệu như số ký tự đã tổng hợp và tần suất gọi API, giúp tối ưu việc sử dụng tài nguyên.

Ví dụ bảng điều khiển chi phí AWS.

Thực hành tốt nhất khi dùng Amazon Polly

Khi sử dụng Amazon Polly, áp dụng các thực hành tốt nhất sẽ đảm bảo hiệu năng, chi phí và trải nghiệm người dùng tối ưu. Dưới đây là một số hướng dẫn chính:

Chọn giọng đọc phù hợp

Việc chọn giọng phù hợp phụ thuộc vào mục đích ứng dụng và đối tượng người dùng. Amazon Polly cung cấp đa dạng giọng đọc, bao gồm giọng standard và giọng neural, mỗi loại có sắc thái và đặc điểm riêng. 

• Giọng neural mang lại âm thanh tự nhiên và biểu cảm hơn nhưng chi phí cao hơn. Do đó, phù hợp cho các ứng dụng cần mức độ tương tác cảm xúc cao như sách nói hoặc kể chuyện. 
• Giọng standard là giải pháp tiết kiệm chi phí cho các ứng dụng thiên về tiện ích như chatbot hỗ trợ khách hàng. Thử nghiệm các giọng khác nhau kèm phản hồi người dùng sẽ giúp chọn ra giọng phù hợp nhất với nhu cầu ứng dụng.

Tối ưu đầu ra giọng nói

Tận dụng SSML (Speech Synthesis Markup Language) để nâng cao chất lượng giọng nói bằng cách điều chỉnh các tham số cao độ, tốc độ và âm lượng. Bằng cách tinh chỉnh các thiết lập này, bạn có thể tạo trải nghiệm âm thanh sinh động và hấp dẫn hơn. 

Chẳng hạn, giảm tốc độ nói giúp cải thiện độ rõ ràng cho nội dung hướng dẫn, trong khi nhấn mạnh các cụm từ quan trọng sẽ tăng hiệu quả kể chuyện. Thử nghiệm các thẻ SSML khác nhau giúp bạn đạt được giọng đọc tự nhiên nhất.

Giảm chi phí

Hãy cân nhắc các chiến lược như quản lý tần suất tạo giọng nói và lưu trữ các tệp âm thanh dùng thường xuyên trên S3 để tái sử dụng nhằm tối ưu chi phí khi dùng Amazon Polly. Cách này giúp giảm số lần gọi API lặp lại và chi phí tổng hợp. 

Ngoài ra, sử dụng kết hợp chiến lược giữa giọng standard và neural có thể cân bằng giữa chi phí và chất lượng. 

Ví dụ, chỉ dùng giọng neural cho các điểm chạm quan trọng như thông điệp chào mừng, trong khi giọng standard xử lý nội dung thông tin. Thiết lập giới hạn sử dụng và cảnh báo chi phí trong AWS Billing Dashboard giúp kiểm soát ngân sách và tránh chi phí bất ngờ.

Kết luận

Amazon Polly là dịch vụ chuyển văn bản thành giọng nói mạnh mẽ, tận dụng công nghệ học sâu tiên tiến để biến văn bản thành giọng nói sống động, nâng cao trải nghiệm người dùng và khả năng tiếp cận. 

Xuyên suốt hướng dẫn này, chúng ta đã khám phá các tính năng nền tảng của Amazon Polly, từ thiết lập AWS SDK đến tạo giọng nói bằng lập trình. Chúng ta cũng đã đề cập các khả năng nâng cao như dùng SSML để tùy chỉnh đầu ra, tận dụng Speech Marks để khớp môi và hoạt ảnh, cũng như triển khai phát trực tuyến thời gian thực cho các ứng dụng giọng nói động. 

Tích hợp Amazon Polly vào ứng dụng giúp bạn tạo trải nghiệm giọng nói tương tác cao và cá nhân hóa cho khán giả toàn cầu. Dù bạn đang xây dựng trợ lý ảo, sách nói, nền tảng giáo dục hay công cụ hỗ trợ tiếp cận, Amazon Polly mang đến sự linh hoạt, khả năng mở rộng và các tính năng nâng cao cần thiết để hiện thực hóa ý tưởng.

Nếu bạn mới làm quen với AWS và muốn củng cố kỹ năng đám mây, hãy tham khảo các khóa học liên quan sau:

• AWS Concepts – Tìm hiểu các khái niệm nền tảng của điện toán đám mây AWS.
• AWS Cloud Technology and Services – Thực hành với các dịch vụ AWS chủ chốt và ứng dụng thực tiễn.
• AWS Security and Cost Management – Hiểu các thực hành tốt nhất để bảo mật tài nguyên AWS và tối ưu chi phí.
• AWS Cloud Practitioner Certification Track – Chuẩn bị cho kỳ thi AWS Cloud Practitioner CLF-C02 với lộ trình học tập có cấu trúc.