Amazon Polly
AWS-Cloud-Dienst für Text-to-Speech mit neuronalen Stimmen
Polly wandelt Text in Audio um, das Entwickler:innen über ihre Anwendungen ausgeben können. Der Dienst bietet Dutzende Stimmen in vielen Sprachen und Akzenten, die auf mehreren Engines basieren. Neuronale Stimmen klingen deutlich natürlicher als die älteren Standardstimmen; neuere generative Stimmen wirken noch realistischer. Polly wird genutzt, um Artikel vorzulesen, Telefonsysteme und Assistenten sprechen zu lassen, E-Learning zu vertonen und Apps barrierefreier zu machen.
Eine Stärke ist die Kontrolle über die Aussprache. Mit SSML-Tags passt du Pausen, Betonung, Tonhöhe, Geschwindigkeit und die Aussprache von Zahlen, Datumsangaben und Abkürzungen an. In eigenen Lexika kannst du Polly die korrekte Aussprache von Markennamen und Fachbegriffen beibringen. Polly kann außerdem Speech Marks zurückgeben, die deiner Anwendung mitteilen, wann jedes Wort gesprochen wird. Das ist nützlich, um Text synchron zum Audio hervorzuheben. Die Ausgabe lässt sich streamen oder in gängigen Formaten speichern.
Abgerechnet wird pro umgewandeltem Zeichen, je nach Stimmtyp zu unterschiedlichen Preisen. Im ersten Nutzungsjahr gibt es ein kostenloses Kontingent. Bei großem Volumen ist Polly günstig und lässt sich leicht mit anderen AWS-Diensten verbinden. Die Stimmen klingen gut, aber weniger ausdrucksstark als die neuerer Spezialanbieter wie ElevenLabs. Stimmenklonen, das viele Kreative suchen, bietet Polly nicht. Für Anwendungen, die viel Sprache zu planbaren Kosten benötigen, ist Polly eine praktische und zuverlässige Wahl.