AWS机器学习初探（2）：文本翻译Translate、文本转语音Polly、语音转文本Transcribe

AWS机器学习初探（1）：Comprehend - 自然语言处理服务

这几个服务的功能和使用都很直接和简单，因此放在一篇文章中介绍。

1. 文本翻译服务 Translate

1.1 功能介绍

AWS Translate 服务是一种AWS 机器学习应用服务，它利用高级机器学习技术来进行文本翻译。它的使用非常简单，只需要提供输入文本，该服务就给出输出文本。

• 输入文本（Source text）：待翻译的文本，必须是 UTF-8 格式。
• 输出文本（Output text）：AWS Translate 服务输出的翻译好的文本，也是 UTF-8 格式。

AWS Translate 服务有两个组件：

• encoder：每次从输入文本中读取一个单词，然后根据其含义构造语义表达。
• decoder：利用encoder给出的语义表达，产生一个翻译词汇。

AWS Translate 利用 attention 机制来理解上下文，它帮助 decoder 聚焦在原文中最相关的部分，这有助于它翻译模糊的单词和短语。

Translate 目前只支持将多种语言翻译为英文，以及将英文翻译成多种目标语言。Translate 能自动检测输入文本是哪种语言，它是利用 Comprehend 来实现语言探测的。

来对比下AWS Translate 和 Google 翻译的结果：

这是一段川普的推特文本：

I am hearing so many great things about the Republican Party’s California Gubernatorial Candidate, John Cox. He is a very successful businessman who is tired of high Taxes & Crime. He will Make California Great Again &  make you proud of your Great State again. Total Endorsement!

Google 翻译结果：

关于共和党加州州长候选人约翰考克斯，我听到了很多很棒的事情。 他是一个非常成功的商人，厌倦了高税收和犯罪。 他将使加利福尼亚再次伟大，让你再次为你的伟大国家感到骄傲。 总代言！

AWS Translate 翻译结果：

我听到很多关于共和党加州州长候选人约翰·考克斯的伟大事情。 他是一个非常成功的商人，厌倦了高税与犯罪。 他将再次使加州成为伟大的国家，让你再次为你的伟大国家感到骄傲。 完全赞同！

从结果看，AWS Translage的质量应该比Google 稍微好一些。

1.2 界面操作示例

以下示例将中文文本翻译为英文：

1.3 CLI 操作示例

aws translate translate-text --region us-east-1 --source-language-code "auto" --target-language-code "zh" --text "I am hearing so many great things about the Republican Party California Gubernatorial Candidate, John Cox. He is a very successful businessman who is tired of high Taxes & Crime. He will Make California Great Again &  make you proud of your Great State again. Total Endorsement"
{
    "TranslatedText": "我听到很多关于共和党加州州长候选人约翰·考克斯的伟大事情。 他是一个非常成功的商人，厌倦了高税与犯罪。 他将再次使加州成为伟大的国家，让你再次为你的伟大国家感到骄傲。 完全赞同",
    "SourceLanguageCode": "en",
    "TargetLanguageCode": "zh"
}

1.4 API 

Translate 服务只有一个API，就是 TranslateText。

请求语法：

{
"SourceLanguageCode": "string", "TargetLanguageCode": "string", "Text": "string"
}

返回语法：

{
"SourceLanguageCode": "string", "TargetLanguageCode": "string", "TranslatedText": "string"
}

1.5 python 示例代码

代码：

import boto3

translate = boto3.client(service_name='translate', region_name='us-east-1', use_ssl=True)

result = translate.translate_text(Text="Hello World", SourceLanguageCode="auto", TargetLanguageCode="zh")

print('TranslatedText: ' + result.get('TranslatedText'))
print('SourceLanguageCode: ' + result.get('SourceLanguageCode'))
print('TargetLangaugeCode: ' + result.get('TargetLanguageCode'))

输出：

TranslatedText: 您好世界
SourceLanguageCode: en
TargetLangaugeCode: zh

2. 文本转语音Polly

2.1 功能介绍

所谓的文本转语音服务，就是把文本朗读出来。它的输入输出为：

• 输入文本：待被Polly转化为语音的文本。可以是纯文字（plain text），也可以是 SSML（Speech Syntessis Markup Language） 格式。SSML 格式可以进行更精细的控制，比如音量、语速、发音等。
• 输出的语言种类：Polly 支持多种语言，每种语音支持多种发声模式，比如女生声音和男性声音。
• 输出格式：Polly 支持输出多种格式的语音，比如 mp3格式，PCM 格式等。

几个特色功能：

• 支持发音字典（lexicon）：通过发音字典可以自定义单词的发音。用户可以将发音字典上传到AWS 上，然后将其应用到 SynthesizeSpeech API 中。
• 支持异步语音合成：可以以异步方式为大文本合成语音。三步走：启动一个合成任务，获取任务的详情，从S3中获取合成结果。近实时API只支持3000个字符，而异步API可以支持最多20万个字符。
• 支持 SSML：详情可参考官方文档。

2.2 界面操作示例

• Listen to speech：直接听语音
• Download MP3：可以将语音保存为 MP3 格式，并直接下载
• Syntesize to S3：将语音输出保存到 S3 中。

2.3 CLI 操作示例

SammydeMacBook-Air:~ Sammy$ aws polly synthesize-speech --output-format mp3 --voice-id Joanna --text 'Hello, my name is Joanna. I learned about the W3C on 10/3 of last year.' helloworld.mp3
{
    "ContentType": "audio/mpeg",
    "RequestCharacters": "71"
}
SammydeMacBook-Air:~ Sammy$ ls helloworld.mp3
helloworld.mp3

2.4 API

Polly 具有以下几个API：

• SynthesizeSpeech：合成语音

• ListLexicons：列表发音词典

• PutLexicon：创建发音词典

• GetLexicon：检索发音词典

• DeleteLexicon：删除发音词典

• DescribeVoices：获取声音列表
• GetSpeechSynthesisTask：获取语音生成任务

• ListSpeechSynthesisTasks：获取语音生成任务列表

• StartSpeechSynthesisTask：开始语音生成任务

2.5 python 示例代码

from boto3 import Session
from contextlib import closing
import os
import sys
import subprocess
from tempfile import gettempdir

session = Session(profile_name="default")
polly = session.client("polly")

try:
    text = "To the incredible people of the Great State of Wyoming: Go VOTE TODAY for Foster Friess - He will be a fantastic Governor! Strong on Crime, Borders & 2nd Amendment. Loves our Military & our Vets. He has my complete and total Endorsement!"
    response = polly.synthesize_speech(Text = text, OutputFormat="mp3", VoiceId="Joanna")
except Exception as error:
    print(error)
    sys.exit(-1)

if "AudioStream" in response:
    with closing(response["AudioStream"]) as stream:
        output = os.path.join(gettempdir(), "speech.mp3")
        try:
            with open(output, "wb") as file:
                file.write(stream.read())
        except IOError as error:
            print(error)
            sys.exit(-1)
else:
    print("Could not stream audio")
    sys.exit(-1)

if sys.platform == "win32":
    os.startfile(output)
else:
    opener = "open" if sys.platform == "darwin" else "xdg-open"
    subprocess.call([opener, output])

这段代码会将语音保存到 speech.mp3中，然后调用系统默认播放器进行播放。

3. 语音转文本服务Transcribe

3.1 功能介绍

AWS Transcribe 服务于利用机器学习来识别语音文件中的声音，然后将其转化为文本。目前支持英语和西班牙文语音。必须将语音文件保存在S3中，输出结果也会被保存在S3中。

• 输入声音文件，支持 flac、mp3、mp4 和 wav 文件格式。长度不能超过2小时。
• 指定语言。

几个特色功能：

• 发音者识别（speaker identification）：Transcribe 能区别一个语音文件中的多个说话者。支持2到10个发音者。
• 支持多声道（channel identification）: 如果声音文件中有多声道，那么
• 支持字典（vocabulary）：比如不能识别的单词，特定领域不常用的单词

3.2 界面操作示例

创建一个job：

job列表：

结果：

3.3 CLI 操作示例

（1）提交一个job

{
    "TranscriptionJobName": "testTranscribe",
    "LanguageCode": "en-US",
    "MediaFormat": "mp3",
    "Media": {
        "MediaFileUri": "https://s3.dualstack.us-east-1.amazonaws.com/*********/hellosammy.mp3"
    }
}

aws transcribe start-transcription-job --region us-east-1 --cli-input-json file://testTranscribeJob.json

（2）获取job 列表

aws transcribe list-transcription-jobs --region us-east-1 --status IN_PROGRESS
{
    "Status": "IN_PROGRESS",
    "TranscriptionJobSummaries": [
        {
            "TranscriptionJobName": "testTranscribe",
            "CreationTime": 1535338023.662,
            "LanguageCode": "en-US",
            "TranscriptionJobStatus": "IN_PROGRESS",
            "OutputLocationType": "SERVICE_BUCKET"
        }
    ]
}

（3）一旦 job 完成后，从其包含的TranscriptFileUri地址可以下载输出文本，部分内容如下：

{"jobName":"testTranscribe","accountId":"725348140609","results":{"transcripts":[{"transcript":"Hello, my name is sami. I learned about the w three c on october third last year."}],"items":[{"start_time":"0.0","end_time":"0.59","alternatives":[{"confidence":"0.9023","content":"Hello"}],"type":"pronunciation"},{"alternatives":[{"confidence":null,"content":","}],"type":"punctuation"},{"start_time":"0.7","end_time":"0.88","alternatives":
[{"confidence":"0.9867","content":"last"}],"type":"pronunciation"},{"start_time":"4.69","end_time":"5.07","alternatives":[{"confidence":"0.9867","content":"year"}],"type":"pronunciation"},{"alternatives":[{"confidence":null,"content":"."}],"type":"punctuation"}]},"status":"COMPLETED"}

3.4 API

• StartTranscriptionJob：开始一个转换任务
• ListTranscriptionJobs：获取任务列表
• GetTranscriptionJob：获取任务
• CreateVocabulary：创建字典
• DeleteVocabulary：删除字典
• GetVocabulary：获取字典
• ListVocabularies：获取字典列表
• UpdateVocabulary：上传字典

3.5 python 示例代码

import time
import boto3

transcribe = boto3.client(('transcribe'))
job_name = "testTranscribeJob100"
job_uri = "https://s3.dualstack.us-east-1.amazonaws.com/*****/hellosammy.mp3"

transcribe.start_transcription_job(TranscriptionJobName=job_name, Media={'MediaFileUri': job_uri}, MediaFormat='mp3', LanguageCode='en-US')

while True:
    status = transcribe.get_transcription_job(TranscriptionJobName = job_name)
    if status['TranscriptionJob']['TranscriptionJobStatus'] in ['COMPLETED', "FAILED"]:
        break

    print("Job not ready yet...")
    time.sleep(5)

print(status)

参考文档：

• AWS Translate、Polly 和 Transcribe 开发者文档 

欢迎大家关注我的个人公众号：