AWS vylepšuje generativní engine Amazon Polly o 14 nových hlasů

Společnost Amazon Web Services 22. října 2026 uvolnila pro všeobecné použití vylepšenou verzi generativního enginu pro převod textu na řeč Amazon Polly. Přidala 14 nových hlasů v devíti lokalitách a generativní hlasy poprvé zpřístupnila v hindštině a finštině. V příspěvku na blogu AWS Machine Learning společnost uvedla, že aktualizovaný engine vytváří výraznější a přesnější řeč s nízkou latencí a je nyní dostupný pro produkční nasazení.

Aktualizaci lze nasadit bez dalších úprav stávajících generativních hlasů: jejich názvy i volání API zůstávají stejné, takže aplikace, které je již používají, budou fungovat dál beze změn. AWS popisuje Amazon Polly jako plně spravovanou službu, která převádí text na přirozeně znějící řeč. Využívají ji kontaktní centra, agentní aplikace postavené na velkých jazykových modelech, média a zábavní průmysl, elektronické vzdělávání, nástroje pro přístupnost i další úlohy, které ve velkém měřítku vyžadují spolehlivý hlasový výstup.

Kvalita řeči a návrh enginu

AWS uvedla, že vylepšené hlasy dokážou bez ručního nastavení přizpůsobit emoce a prozodii vstupnímu textu. Oznámení tuto schopnost předvádí na třech různých předneseních stejné věty o balíku, který dorazil dříve — jedno je neutrální, druhé nejisté a třetí překvapené — a také na ukázkovém zvukovém záznamu. V jedné ukázce hlas Tiffany pozdraví posluchače a představí se jako jeden z generativních hlasů Polly; v jiné hlas Kenneth přečte potvrzení objednávky. Podle AWS správně podá sledovací číslo, datum a časové rozmezí doručení, celkovou částku v měně i adresu ulice.

Vývojářská příručka Amazon Polly popisuje generativní engine jako dosud největší model Amazon Polly pro převod textu na řeč. Kombinuje transformer s miliardou parametrů, který převádí surový text na kódy řeči, s konvolučním dekodérem, jenž tyto kódy průběžně převádí na zvukové vlny, které lze streamovat. Příručka upozorňuje, že vzhledem k tomu, že tato technologie spadá do oblasti generativní umělé inteligence, mohou aktualizace trénovacích dat a modelu mírně změnit zvuk hlasů, i když se celková kvalita zlepšuje. To je důležité u obsahu syntetizovaného po částech během delšího období, například u jedné podcastové série.

Nové hlasy, jazyky a regiony

14 nových hlasů podle lokality: americká angličtina (Kenneth, Nate), australská angličtina (Russell, Curtis), indická angličtina (Kiara, Arjun), němčina (Tina), americká španělština (Carlos), brazilská portugalština (Leo, Carolina), korejština (Hyunduk), hindština (Kiara, Arjun) a finština (Suvi). AWS zveřejnila ukázkové scénáře pro hindské hlasy Arjun a Kiara a finský hlas Suvi. Uvedla také, že hindština a finština jsou v generativním enginu poprvé obecně dostupné.

AWS uvedla, že po přidání nových hlasů nyní katalog generativních hlasů čítá celkem 57 hlasů v 11 jazycích a 25 lokalitách. Čtrnáct nových hlasů je dostupných v 11 regionech AWS: Východ USA (Severní Virginie), Západ USA (Oregon), Evropa (Frankfurt), Evropa (Curych), Evropa (Londýn), Asie a Tichomoří (Sydney), Asie a Tichomoří (Soul), Asie a Tichomoří (Singapur), Asie a Tichomoří (Tokio), Kanada (střed) a AWS GovCloud (US-West). Přidání oblasti GovCloud (US-West) rozšiřuje dosah enginu.

Rozhraní API, ceny a zdokumentovaná omezení

Stávající integrace fungují i nadále beze změn. Vylepšené hlasy jsou dostupné prostřednictvím stejného volání API SynthesizeSpeech s parametrem engine nastaveným na generative a podle AWS není třeba měnit kód. Pro úlohy v reálném čase umožňuje obousměrné streamovací API StartSpeechSynthesisStream aplikaci průběžně odesílat text do Amazon Polly a současně přijímat zpět syntetizovaný zvuk — podle AWS se tento způsob hodí pro hlasové agenty a vlastní postavy ve hrách.

Ceny zůstávají stejné. AWS uvedla, že aktualizace přináší lepší kvalitu a přesnost hlasu za stávající cenu, bez zvýšení nákladů, nového SKU či změn současných integrací. Zákazníci navíc mohou ukládat do mezipaměti a opakovaně přehrávat syntetizované statické výzvy bez dalších nákladů. Generativní engine nadále podporuje značky Speech Synthesis Markup Language, které umožňují podrobně řídit výstup.

Nadále platí několik zdokumentovaných omezení. Značky řeči nejsou u generativních hlasů stále k dispozici; standardní a neuronové hlasy, které aktualizace neovlivnila, je nadále podporují. Vývojářská příručka uvádí, že generativní engine nepodporuje hlasový styl hlasatele zpráv, obousměrné streamování je dostupné pouze v některých regionech a generativní hlasy mají výchozí vzorkovací frekvenci 24 kHz a výstupní formáty MP3, OGG (Vorbis) a surové PCM. Příručka také popisuje vestavěný nouzový mechanismus zastavení, který přeruší vykreslování řeči, když model vykazuje známky možné halucinace, obvykle ke konci věty. AWS upozorňuje, že toto bezpečnostní opatření riziko snižuje, ale zcela ho neodstraňuje, a že v okrajových případech může model část slova utnout nebo pokračovat ve generování obsahu i po dosažení prahu zastavení.

Dostupnost a první využití zákazníky

Podle AWS se zlepšení kvality automaticky projeví v postupech kontaktních center Amazon Connect a Genesys. Vývojáři mohou s hlasy pracovat prostřednictvím AWS Management Console, AWS Command Line Interface nebo AWS SDKs, přičemž potřebují oprávnění IAM polly:SynthesizeSpeech. Při nasazení mohou zavolat DescribeVoices a ověřit, zda je vybraný generativní hlas dostupný v regionu, ve kterém aplikace běží.

Justus Reinikainen, produktový manažer ve společnosti Sanoma Media Finland, uvedl, že firma používá Amazon Polly k převodu aktuálních zpravodajských článků na zvuk a v současnosti s finským neuronovým hlasem Polly publikuje více než 10 000 článků měsíčně. Podle Reinikainena bylo při testování společnosti zřejmé, že nový generativní hlas Suvi představuje výrazné zlepšení oproti předchozímu neuronovému hlasu a posluchačům zněl znatelně přirozeněji.