Amazon Polly - Runbook 与参考¶
English · GitHub source 事实核对时间（对照 AWS 官方文档）：2026-08-19
概述¶
Amazon Polly 是将文本转换为逼真语音（text-to-speech，TTS）的云服务。它支持多种语言和声音，包括生成式（generative）、长文（long-form）、神经（neural）和标准（standard）声音。你只为合成的文本付费，且可以免费缓存和回放生成的语音。Polly 适用于 HIPAA 并在 PCI DSS 下认证，可用于受监管工作负载。
核心概念¶
- 声音（Voices）：跨多种语言的生成式（最自然，支持长文朗读）、神经和标准声音；神经 TTS 提供面向新闻播报的 Newscaster 说话风格。
- Speech marks：时间戳/词边界，用于语音与内容同步（例如卡拉 OK 式应用）。
- SSML：语音合成标记语言，控制发音、停顿、强调和语速。
- Lexicons：自定义发音词典（例如品牌名和缩写）。
- 合成方式：短文本用同步
synthesize-speech，长文本用异步任务（start-speech-synthesis-task）；支持 MP3、OGG 和 PCM 格式。 - 用途：新闻阅读、eLearning、游戏、无障碍应用、IoT 语音回复、IVR。
常用操作（AWS CLI）¶
# 合成语音（默认声音）
aws polly synthesize-speech --output-format mp3 \
--voice-id Joanna --text "Hello, welcome to our service." speech.mp3
# 列出声音和 lexicon
aws polly describe-voices --language-code en-US
aws polly list-lexicons
# 长文本异步合成
aws polly start-speech-synthesis-task --output-format mp3 \
--voice-id Matthew --text file://long-text.txt \
--output-s3-bucket-name audio-bucket
aws polly get-speech-synthesis-task --task-id <task-id>
# 使用 SSML 控制
aws polly synthesize-speech --output-format mp3 --voice-id Amy \
--text-type ssml --text '<speak>Pause <break time="500ms"/> now.</speak>' out.mp3
最佳实践¶
- 面向客户的音频用神经或生成式声音；低成本需求用标准声音。
- 用 SSML 和 lexicon 控制产品名和缩写的发音。
- 缓存生成的音频（S3/CloudFront），避免重复合成相同内容。
- 长文内容用异步合成任务并监控任务状态。
- 合规工作负载确认 HIPAA/PCI 要求，并对静态音频加密。
- 商业分发前查看服务文档中的声音许可和使用说明。
故障排查¶
| 症状 | 检查与处理 |
|---|---|
| 合成失败 | 检查声音 ID、语言、文本长度和输出格式。 |
| 发音错误 | 添加 lexicon 或使用 SSML phoneme 标签。 |
| 长文本报错 | 用 start-speech-synthesis-task 替代同步合成。 |
| 任务未生成音频 | 核对 S3 桶策略和任务状态；检查输出路径。 |
| 该语言无此声音 | 确认声音支持请求的语言/locale。 |
配额¶
每次请求字符数、并发合成请求、每账户 lexicon 数和任务配额有限制。以 Amazon Polly 端点和配额页面及 Service Quotas 控制台为准。