AI-modeller og platforme

Amazon Polly lancerer adgangsbegrænset stemmekloning til skræddersyede brandstemmer

Aiden Cross
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterKlonede stemmer forbliver låst til den konto og region, der oprettede dem, så brug på…
Vis mere
  • Klonede stemmer forbliver låst til den konto og region, der oprettede dem, så brug på tværs af regioner kræver genopbygning ud fra de samme optagelser.
  • Polly kasserer kildeoptagelserne efter at have opbygget en stemme og beholder kun krypterede stemmedata indtil sletning.
  • En klonet stemme arver én leveringsstil fra sine optagelser og kan ikke blande flere følelsesmæssige tagninger.

Amazon Web Services annoncerede lanceringen af Amazon Polly den 19. november 2026 og gjorde stemmekloning bredt tilgængelig som en adgangsbegrænset lancering. Godkendte AWS-konti kan oprette skræddersyede tekst-til-tale-stemmer ud fra optagelser af én person, der har givet sit samtykke, og ved lanceringen understøttes syv sprog.

Adgangen aktiveres for hver enkelt AWS-konto. Udvalgte Polly-kunder har allerede adgang, mens andre kan kontakte deres AWS-kontoteam eller ansøge om adgang. Det er gratis at oprette en klonet stemme, mens syntetiseret lyd faktureres efter forbrug. Funktionen er tilgængelig i de samme AWS-regioner som Pollys generative motor, herunder AWS GovCloud (US-West).

Klonede stemmer kører på den motor, som ifølge AWS leverer en naturlighed og nøjagtighed, der svarer til virksomhedens øvrige generative stemmer. Engelsk, spansk, tysk, fransk, italiensk, portugisisk og hindi understøttes, men hver stemme kan kun tale det sprog, den blev optaget på. En stemme forbliver også i den konto og region, hvor den blev oprettet. Hvis den skal bruges i en anden region eller konto, skal den oprettes igen ud fra de samme optagelser, og talerens samtykke skal dække hver kopi.

Sådan oprettes en stemme ud fra optagelser

Den vigtigste anvendelse i virksomheder er at sikre en ensartet stemme på tværs af telefonsystemer, stemmeassistenter, mobilapps, meddelelser i butikker, reklamer og tilsluttede enheder. Funktionen understøtter også beskeder til kontaktcentre og længere indhold som lydbøger, kurser og podcasts. For organisationer med manuskripter, der løbende ændres, er fordelen, at de kan generere ny lyd med en etableret stemme uden at skulle arrangere en ny optagelse for hver revision.

For at oprette en stemme indsender kunden 1–10 optagelser af én taler med op til 15 minutters lyd i alt. AWS anbefaler 2–10 minutters naturlig tale og oplyser, at kvaliteten er vigtigere end længden. Filerne kan uploades via konsollen, inkluderes i CreateVoice eller leveres fra en Amazon S3-bucket i målregionen. Anmodningen kræver også optagelsens sprog og TermsAccepted=True.

API’et returnerer straks et stemme-id og opbygger derefter stemmen asynkront, typisk på 5–10 minutter, samtidig med at ligheden med taleren kontrolleres. En færdig stemme kan generere lyd i realtid via SynthesizeSpeech eller generere længere lyd, der skrives til S3 via StartSpeechSynthesisTask. Da oprettelsen tager flere minutter, anbefaler AWS, at den betragtes som et forberedende klargøringstrin frem for noget, der udføres som led i en liveanmodning fra en bruger.

Kunder starter med en kvote på 10 klonede stemmer pr. konto pr. region. CreateVoice og DeleteVoice deler en grænse på én anmodning i sekundet, så masseoprettelser og -sletninger skal sættes i kø.

Samtykke- og sikkerhedskontroller

Når kunden accepterer vilkårene, bekræfter vedkommende, at alle nødvendige rettigheder og samtykker til at oprette og bruge stemmen er indhentet. Polly føjer et vandmærke til syntetiseret lyd, der er fremstillet med en klonet stemme, og adgangen begrænses til den AWS-konto, der oprettede stemmen, via AWS Identity and Access Management. Kunder kan sætte tags på stemmer og kryptere dem med deres egen nøgle fra AWS Key Management Service.

Efter oprettelsen beholder Polly ikke sin kopi af kildeoptagelserne og bruger dem heller ikke til at træne Amazon Polly-modeller. Tjenesten opbevarer kun de stemmedata, der er nødvendige for syntesen, krypteret indtil sletning; DeleteVoice disse data fjernes straks. AWS anbefaler, at man opbevarer dokumentation for samtykket, sletter stemmen, hvis samtykket trækkes tilbage, fortæller lytterne, når de hører syntetisk tale, hvor det er relevant, og begrænser stemmetilladelser til de personer og systemer, der har behov for dem.

Optagekvalitet og begrænsninger for output

Det anbefalede optageformat er mono, 16-bit WAV ved 24 kHz, optaget med én taler i et stille rum. Klonen kan komme til at lære ventilatorstøj, rumklang og lydbehandling fra en mødeapp. Andre accenter inden for de understøttede sprog, såsom britisk engelsk eller canadisk fransk, kan fungere, men er mindre afprøvede. Derfor er det vigtigt at teste stemmen med kundens eget indhold.

En klonet stemme overtager også sin måde at tale på fra optagelserne, og flere forskellige talestile kan ikke blandes. Optagelser med begejstret, trist og vred tale giver derfor ikke én stemme, der kan udtrykke alle tre følelser. Den samme tekst kan lyde en smule forskelligt fra den ene synteseanmodning til den næste. Til faste beskeder som telefonsvarshilsner anbefaler AWS, at man genererer lyden én gang, indhenter godkendelse fra taleren og brandteamet og derefter afspiller den gemte fil. Produktionsmanuskripter bør testes med navne, tal, adresser og lange sætninger inden ibrugtagning.

For virksomheder gør lanceringen en genanvendelig stemme til en del af AWS-applikationsstakken, med tilhørende syntese-API’er, kryptering og servicekvoter. Den driftsmæssige opgave handler nu ikke kun om at generere tale, men også om at håndtere samtykke, adgang, regionale kopier og godkendelse af den lyd, der når ud til lytterne.

Aiden Cross er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI-produktstrategi, udførelse og de praktiske udfordringer ved at omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbejde fokuserer på, hvordan startups og virksomhedsteams bevæger sig fra prototyper og demos til pålidelige systemer, der bruges af rigtige kunder.
Med et pragmatisk og detaljeorienteret perspektiv analyserer Aiden produktroadmaps, strategier for markedsintroduktion, platformbeslutninger og organisatoriske kompromiser, der bestemmer, om AI-initiativer lykkes eller stagnerer. Han lægger særlig vægt på implementeringsrealiteter, brugeradoption, infrastrukturbegrænsninger og sammenhængen mellem teknisk kapacitet og forretningsværdi.
Artikler skrevet af Aiden Cross er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre klarhed, nøjagtighed og ansvarlig dækning af, hvordan AI-produkter bygges, leveres og skaleres i den virkelige verden.