Modely a platformy AI
Amazon Polly přidává klonování hlasu s omezeným přístupem pro vlastní hlasové identity značek

Klíčové bodyKlonované hlasy zůstávají uzamčeny ke svému vytvářejícímu účtu a regionu, takže použití…
Zobrazit více
- Klonované hlasy zůstávají uzamčeny ke svému vytvářejícímu účtu a regionu, takže použití v jiném regionu vyžaduje opětovné vytvoření ze stejných nahrávek.
- Polly po vytvoření hlasu zahodí zdrojové nahrávky a uchovává pouze šifrovaná hlasová data až do smazání.
- Klonovaný hlas dědí jeden styl přednesu ze svých nahrávek a nemůže kombinovat více emocionálních provedení.
Společnost Amazon Web Services oznámila uvedení Amazon Polly dne 19. listopadu 2026 a zpřístupnila klonování hlasu obecně v rámci řízeného uvedení. Schválené účty AWS mohou vytvářet vlastní hlasy pro převod textu na řeč z nahrávek jednoho mluvčího, který s tím souhlasil; při uvedení je podporováno sedm jazyků.
Přístup se povoluje pro každý účet AWS zvlášť. Někteří zákazníci Polly k němu už mají přístup, ostatní se mohou obrátit na tým AWS spravující jejich účet nebo o něj požádat. Vytvoření klonovaného hlasu je zdarma; syntetizovaný zvuk se účtuje podle skutečného využití. Funkce je dostupná ve stejných regionech AWS jako generativní modul Polly, včetně AWS GovCloud (US-West).
Klonované hlasy využívají tento modul, který podle AWS nabízí přirozenost a přesnost srovnatelnou s ostatními generativními hlasy. Podporovány jsou angličtina, španělština, němčina, francouzština, italština, portugalština a hindština, každý hlas však mluví pouze jazykem, ve kterém byl nahrán. Hlas také zůstává v účtu a regionu, kde byl vytvořen. Chcete-li ho používat v jiném regionu nebo účtu, je třeba jej vytvořit znovu ze stejných nahrávek; souhlas mluvčího se musí vztahovat na každou kopii.
Vytvoření hlasu z nahrávek
Hlavním případem použití v podnicích je jednotný hlas napříč telefonními systémy, hlasovými agenty, mobilními aplikacemi, hlášeními v prodejnách, reklamou a připojenými zařízeními. Funkce podporuje také hlášení pro kontaktní centra a delší obsah, například audioknihy, kurzy a podcasty. Organizace, které často mění scénáře, ocení zejména možnost vytvářet nové zvukové nahrávky zavedeným hlasem, aniž by bylo nutné při každé úpravě znovu pořizovat nahrávku.
Zákazník vytvoří hlas odesláním 1–10 nahrávek jednoho mluvčího o celkové délce až 15 minut. AWS doporučuje 2–10 minut přirozené řeči a uvádí, že důležitější než délka je kvalita. Soubory lze nahrát prostřednictvím konzole, zahrnout do CreateVoice nebo poskytnout z úložiště Amazon S3 v cílovém regionu. V požadavku je třeba uvést také jazyk nahrávky a TermsAccepted=True.
Rozhraní API okamžitě vrátí ID hlasu a poté hlas vytvoří asynchronně, obvykle za 5–10 minut, přičemž ověří podobnost s hlasem mluvčího. Hotový hlas může generovat zvuk v reálném čase prostřednictvím SynthesizeSpeech nebo dlouhý zvukový obsah, který se prostřednictvím zapisuje do S3 StartSpeechSynthesisTask. Protože vytvoření trvá několik minut, AWS doporučuje považovat ho za krok přípravy předem, nikoli za součást živého požadavku uživatele.
Zákazníci začínají s kvótou 10 klonovaných hlasů na každý účet a region. CreateVoice a DeleteVoice mají společný limit jednoho požadavku za sekundu, takže hromadné vytváření a mazání je třeba zařadit do fronty.
Souhlas a bezpečnostní opatření
Potvrzením podmínek zákazník stvrzuje, že získal všechna práva a souhlasy potřebné k vytvoření a používání hlasu. Polly přidává do syntetizovaného zvuku vytvořeného klonovaným hlasem vodoznak a přístup omezuje na účet AWS, ve kterém byl hlas vytvořen, prostřednictvím služby AWS Identity and Access Management. Zákazníci mohou hlasy opatřit štítky a šifrovat je vlastním klíčem AWS Key Management Service.
Po vytvoření Polly neuchovává svou kopii zdrojových nahrávek ani je nepoužívá k trénování modelů Amazon Polly. Uchovává pouze data hlasu potřebná k syntéze, zašifrovaná až do odstranění; DeleteVoice tato data ihned odstraní. AWS doporučuje uchovávat záznam o souhlasu, při jeho odvolání hlas smazat, podle okolností posluchačům sdělit, že slyší syntetickou řeč, a omezit oprávnění k používání hlasu na nezbytné osoby a systémy.
Kvalita nahrávek a omezení výstupu
Doporučeným formátem nahrávky je monofonní soubor WAV se 16bitovou hloubkou a vzorkovací frekvencí 24 kHz, pořízený v tiché místnosti s jedním mluvčím. Klonovaný hlas se může naučit zachycovat hluk ventilátoru, ozvěnu místnosti i zvukové zpracování používané aplikací pro schůzky. Fungovat mohou také jiné přízvuky podporovaných jazyků, například britská angličtina nebo kanadská francouzština, ty jsou však méně otestované. Proto je důležité hlas vyzkoušet na vlastním obsahu zákazníka.
Klonovaný hlas přebírá také způsob projevu z nahrávek a nedokáže kombinovat několik stylů, takže veselé, smutné a rozzlobené nahrávky nevytvoří jeden hlas, který by zvládl všechny tři polohy. Stejný text může při různých požadavcích na syntézu znít mírně odlišně. U neměnných hlášení, například pozdravů v telefonní ústředně, AWS doporučuje zvuk vygenerovat jednou, nechat jej schválit mluvčím a týmem značky a poté přehrávat uložený soubor. Před nasazením je třeba produkční scénáře otestovat na jménech, číslech, adresách a dlouhých větách.
Podnikům toto uvedení umožňuje začlenit opakovaně použitelný hlas do aplikačního prostředí AWS spolu s rozhraními API pro syntézu, šifrováním a kvótami služeb. Provozní úkol nyní zahrnuje nejen generování řeči, ale také správu souhlasů, přístupových oprávnění, regionálních kopií a schvalování zvuku, který se dostane k posluchačům.












