Neural Text-to-Speech: Amazons Maschinenvorleserin klingt fast wie eine Moderatorin

Amazon Polly wird um Neural Text-to-Speech erweitert. Dieses soll natürlicher klingen als traditionelle Ansätze. Das System kann etwa Nachrichtenmoderatoren imitieren. Erste Audiobeispiele klingen bereits recht überzeugend, auch wenn einige Dinge die synthetische Herkunft verraten.

Artikel veröffentlicht am 31. Juli 2019, 16:25 Uhr, Oliver Nickel

Amazon Polly liest Texte schon recht überzeugend vor. (Bild: Pixabay.com/Montage: Golem.de/CC0 1.0)

Amazon hat seine maschinensynthetisierte Stimme Amazon Polly verbessert. Das Unternehmen führt Neural Text-to-Speech (Ntts) ein. Damit soll die Software natürlicher klingen und menschliche Betonung besser imitieren. Das Produkt resultiert aus den Arbeiten des Unternehmens im vergangenen Jahr, bei denen ein neuronales Netzwerk mit Hilfe englischsprachiger Quelldaten trainiert wurde. Der Vorteil daraus soll sein, dass es Betonungen und Emotionen besser umsetzen können soll als eine manuell erstellte Datenbank verschiedener Wortgruppen. "Mit der verbesserten Flexibilität können wir einfach den Sprachstil ändern", schreibt AWS-Entwickler und -Manager Trevor Wood im Vorstellungsartikel von Ntts von 2018.

Amazon stellt in der aktuellen Ankündigung einige Sprachschnipsel zur Verfügung. Dort liest Amazon Polly einen englischsprachigen Text vor. Die Stimme unterscheidet sich kaum von der 2018er-Version und betont den Satzbau ähnlich gut. Bereits vor einem Jahr klangen die synthetischen Vorleser bereits überzeugend. Allerdings sind noch immer einige Artefakte und monotone Stimmlagen in den Sounddateien zu hören.

Eine erste Abwandlung von Ntts bringt Amazon parallel zur Ankündigung. Der Newscaster liest Sätze im Stile eines Nachrichtensprechers vor, wie er im US-Fernsehen typisch ist. Auch hier klingt die Betonung bereits recht überzeugend, auch wenn einige identische Tonlagen in schneller Folge hintereinander ausgesprochen werden. Dadurch merken menschliche Zuhörer noch immer die synthetische Herkunft von Ntts.

Insgesamt elf englischsprachige Stimmen wird es vorerst geben: Amy, Emma und Brian sprechen im britischen Akzent, während Ivy, Joanna, Kendra, Kimberly, Salli, Joey, Justin und Matthew US-amerikanisches Englisch sprechen. Das Unternehmen verkündet nicht, ob und wann es die Funktion auch in anderen Sprachen geben wird. Sie kann in den USA und Europa kostenlos ausprobiert werden. Die Demoversion enthält eine Million Zeichen pro Monat und steht ein Jahr lang zur Verfügung.