使用 AWS Polly 合成超过 1500 个字符？答案

【问题标题】：Synthesize more than 1500 characters using AWS Polly?使用 AWS Polly 合成超过 1500 个字符？
【发布时间】：2016-12-25 01:01:50
【问题描述】：

我的想法是使用AWS Polly 来朗读来自RSS 提要的一些新闻。根据this link，我知道Polly 在要转换的字符方面非常灵活，例如"Adventures of Huckelberry Finn" by Mark Twain ~600k characters 问题是当我尝试将我的文章转换为语音时，我收到以下错误：

An error occurred (TextLengthExceededException) when calling the SynthesizeSpeech operation: Maximum text length has been exceeded

我尝试转换的文本大约有 5000 个字符。

有没有什么方法（使用或不使用 API）可以使用 Polly 转换长文本字符串，而不必将它们切割成数百万个不同的片段？

任何正确方向的提示将不胜感激，

谢谢

【问题讨论】：

标签： amazon-web-services amazon-polly

【解决方案1】：

输入文本的大小最多为 1500 个计费字符（总共 3000 个字符）。 SSML 标签不计入计费字符。

http://docs.aws.amazon.com/polly/latest/dg/limits.html

pricing examples 似乎是为了给大型作品配音成本相对较低的感觉，但实际上需要将作品分成几组句子并提交给 API，这是唯一的接口-- SDK 和 CLI 调用相同的SynthesizeSpeech API。

【讨论】：

您能否说明如何提交多个组（并最终得到一个连续的音频流）？如果我提交多个组并返回多个字节数组，我认为它们不能简单地组合。
@Howiecamp，我并不打算暗示它们一定可以简单地连接起来。理想情况下，您会使用库来处理您选择的格式的音频文件，以便元数据正确。至少，对于 mp3，它可能会比您预期的效果更好。
明白了，谢谢。猜猜为什么字数限制这么低？
我只能推测，但我认为这是因为它（显然）是为/针对谈话应用程序和交互式语音响应 (IVR) 系统而设计的（如对 μ-law 编解码器的支持所证明的那样），其中通常需要快速响应。超出某个限制，就不可能实现适当快速的周转。
我刚刚发现，您实际上可以将多个 MP3 文件附加在一起（首先读取、读取第二个等，然后将所有文件写入一个新文件），并且完全保留了音频。建议进行一些标签清理，但音频确实有效。

【解决方案2】：

文档中描述了如何创建长音频文件：https://docs.aws.amazon.com/polly/latest/dg/longer-cli.html

aws-CLI 调用可能如下所示：

aws polly start-speech-synthesis-task \
--region eu-central-1 \
--endpoint-url "https://polly.eu-central-1.amazonaws.com/" \
--output-format mp3 \
--output-s3-bucket-name your-bucket-name \
--output-s3-key-prefix optional/prefix/path/file \
--voice-id Hans \
--text-type ssml \
--text file://output.xml \
--speech-mark-types='["sentence", "word", "ssml"]' \

如您所见，您将需要一个 S3 存储桶用于（临时）存储。

【讨论】：

这允许您处理具有相同功能的“最多 100,000 个计费字符（或总共 200,000 个字符）”的文本，但请求可能需要更长时间，因为处理是异步的。处理“一旦系统资源可用”就完成[docs.aws.amazon.com/polly/latest/dg/asynchronous.html]

【解决方案3】：

如果不将文本分成几段，我没有什么特别的提示，但是我写了一篇文章，介绍了在 NodeJS 中实现它的方法。如果您没有其他选择，请随时查看和评论！

How to handle more than 1500 characters with AWS Polly text-to-speech

【讨论】：

【解决方案4】：

我相信您现在已经找到了答案或继续前进。但我想在未来帮助任何人解决这个问题。

我在使用 AWS Polly 时遇到了同样的问题，不允许我一次发送超过 1500 个字符。所以我写了一些 javascript 来帮助将文本分成 230 个单词的块，然后一个接一个地发送到 API，然后在缓冲并播放之前将所有 mp3 文件拼接在一起。

这是我的 Github： https://github.com/Aaronbest94/Polly-Character-Limitations

它不是最优雅的 Javascript，但它确实可以工作，我希望它对以后阅读本文的人有所帮助。

【讨论】：