Amazon Polly

Amazon Polly ist der Text-to-Speech-Dienst von Amazon Web Services. Er erzeugt aus Text Sprache und liefert sie als Audiostrom oder Datei. AWS nennt über 100 männliche und weibliche Stimmen in mehr als 40 Sprachen und Sprachvarianten.

Polly richtet sich an Entwickler und Unternehmen, die Sprachausgabe automatisiert einsetzen, etwa für Nachrichten-Vorlesefunktionen, E-Learning, Telefonie oder Apps. Es ist ein API-Dienst ohne eigenes Studio. Du steuerst Aussprache und Betonung über SSML und eigene Lexika, in denen du Abkürzungen oder Fachbegriffe festlegst.

AWS bietet vier Engines an: Standard, Neural, Long-Form und Generative. Die Neural-Engine basiert auf Transformer-Modellen und soll emotionaler und gesprächsnäher klingen. Ausgegeben werden Formate wie MP3 und OGG. Erzeugte Sprache darfst du laut AWS ohne Zusatzkosten zwischenspeichern und erneut abspielen.

Die Preise laut AWS pro eine Million Zeichen: Standard 4 US-Dollar, Neural 16 US-Dollar, Generative 30 US-Dollar und Long-Form 100 US-Dollar. Neue AWS-Kunden erhalten in den ersten zwölf Monaten ein Freikontingent, zum Beispiel 5 Millionen Zeichen Standard und 1 Million Zeichen Neural pro Monat. Zusätzlich gibt es bis zu 200 US-Dollar Guthaben für neue Konten.

AWS gibt an, dass Polly den Inhalt deiner Texteingaben nicht speichert. Der Anbieter ist Amazon Web Services, ein US-Unternehmen. Rechenzentren gibt es auch in Europa, die genaue Verfügbarkeit der Engines je Region solltest du in der AWS-Dokumentation prüfen. Für deutsche Firmen ist Polly interessant, wenn AWS ohnehin im Einsatz ist und Sprachausgabe günstig und skalierbar in Anwendungen laufen soll.