AWS opgraderer Amazon Polly Generative Engine med 14 nye stemmer

Amazon Web Services lancerede den 22. oktober 2026 en opgradering af Amazon Polly Generative-tekst-til-tale-motoren, som nu er generelt tilgængelig. Opgraderingen tilføjer 14 nye stemmer på tværs af ni lokaliteter og gør generative stemmer tilgængelige på hindi og finsk for første gang. I et blogindlæg på AWS Machine Learning Blog beskrev virksomheden den opdaterede motor som i stand til at levere mere udtryksfuld og præcis tale med lav latenstid, nu også til produktionsbrug.

Udgivelsen er en direkte opgradering af eksisterende generative stemmer: Stemmenavnene og API-kaldene er uændrede, så applikationer, der allerede bruger dem, fortsat fungerer uden ændringer. AWS beskriver Amazon Polly som en fuldt administreret tjeneste, der omdanner tekst til naturligt klingende tale. Den bruges til kontaktcentre, agentbaserede applikationer bygget på store sprogmodeller, medier og underholdning, e-læring, tilgængelighed og andre arbejdsbelastninger, der kræver pålidelig tale i stor skala.

Talekvalitet og motordesign

AWS oplyste, at de opgraderede stemmer kan tilpasse følelser og prosodi efter inputteksten uden manuel konfiguration. I annonceringen demonstreres dette med tre oplæsninger af den samme sætning om en pakke, der ankommer før tid – én neutral, én usikker og én overrasket – samt med lydprøver. I en prøve hilser stemmen Tiffany på en lytter og præsenterer sig som en af Pollys generative stemmer; i en anden læser stemmen Kenneth en ordrebekræftelse op. Ifølge AWS gengiver den præcist et sporingsnummer, en leveringsdato og et tidsinterval, et samlet beløb i en valuta samt en adresse.

Udviklervejledningen til Amazon Polly beskriver Generative-motoren som den hidtil største tekst-til-tale-model i Amazon Polly. Den kombinerer en transformer med en milliard parametre, som omdanner rå tekst til talkoder, med en konvolutionsbaseret dekoder, der omdanner koderne til bølgeformer trinvist og på en måde, der kan streames. Vejledningen gør opmærksom på, at teknologien er en del af det generative AI-paradigme, og at opdateringer af træningsdata og modellen derfor kan medføre små variationer i stemmernes klang, selv når den overordnede kvalitet forbedres. Det er relevant for indhold, der syntetiseres i dele over en længere periode, f.eks. en hel podcast-sæson.

Nye stemmer, sprog og regioner

De 14 nye stemmer fordelt på lokaliteter er amerikansk engelsk (Kenneth, Nate), australsk engelsk (Russell, Curtis), indisk engelsk (Kiara, Arjun), tysk (Tina), amerikansk spansk (Carlos), brasiliansk portugisisk (Leo, Carolina), koreansk (Hyunduk), hindi (Kiara, Arjun) og finsk (Suvi). AWS offentliggjorde eksempelmanuskripter til de hinditalende stemmer Arjun og Kiara samt den finsktalende stemme Suvi og oplyste, at hindi og finsk for første gang er generelt tilgængelige i Generative-motoren.

Med de nye stemmer har AWS’ Generative-katalog nu i alt 57 stemmer på tværs af 11 sprog og 25 lokaliteter. De 14 nye stemmer er tilgængelige i 11 AWS-regioner: US East (N. Virginia), US West (Oregon), Europe (Frankfurt), Europe (Zurich), Europe (London), Asia Pacific (Sydney), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Tokyo), Canada (Central) og AWS GovCloud (US-West). Tilføjelsen til GovCloud (US-West) udvider motorens geografiske rækkevidde.

API’er, priser og dokumenterede begrænsninger

Eksisterende integrationer fortsætter uændret. Det samme SynthesizeSpeech-API-kald med motorparameteren indstillet til generative giver adgang til de opgraderede stemmer, og AWS oplyste, at det ikke er nødvendigt at ændre kode. Til arbejdsbelastninger i realtid gør den tovejs streaming-API, StartSpeechSynthesisStream, det muligt for en applikation at streame tekst til Amazon Polly, samtidig med at den modtager den syntetiserede lyd. AWS beskrev denne fremgangsmåde som særligt velegnet til stemmeagenter og skræddersyede figurer i spil.

Prisen er uændret. AWS oplyste, at opgraderingen giver bedre stemmekvalitet og nøjagtighed til den eksisterende pris uden prisstigning, nye SKU’er eller ændringer af de nuværende integrationer. Kunder kan desuden cache og afspille syntetiserede statiske prompt igen uden ekstra omkostninger. Generative-motoren understøtter fortsat tags i Speech Synthesis Markup Language, som giver detaljeret kontrol over outputtet.

Flere dokumenterede begrænsninger gælder fortsat. Talemarkører er stadig ikke tilgængelige for generative stemmer; standardstemmer og neurale stemmer, som ikke påvirkes af opgraderingen, understøtter dem fortsat. Udviklervejledningen oplyser, at oplæserstilen til nyhedsoplæsning ikke understøttes i Generative-motoren, at tovejs streaming kun tilbydes i visse regioner, og at generative stemmer som standard har en samplingsfrekvens på 24 kHz med outputformaterne MP3, OGG (Vorbis) og rå PCM. Vejledningen beskriver også en indbygget nødstopmekanisme, der standser talegenereringen, når modellen viser tegn på mulig hallucination, typisk nær slutningen af en sætning. AWS advarer om, at sikkerhedsforanstaltningen mindsker risikoen, men ikke fjerner den, og at modellen i sjældne tilfælde kan afbryde en del af et ord eller fortsætte med at generere indhold ud over stopgrænsen.

Tilgængelighed og tidlig brug hos kunder

Ifølge AWS overføres kvalitetsforbedringerne automatisk til kontaktcenterforløb i Amazon Connect og Genesys. Udviklere kan arbejde med stemmerne via AWS Management Console, AWS Command Line Interface eller AWS SDK’erne ved hjælp af IAM-tilladelsen polly:SynthesizeSpeech, og de kan kalde DescribeVoices på implementeringstidspunktet for at bekræfte, at en valgt generativ stemme er tilgængelig i den region, hvor en applikation kører.

Justus Reinikainen, produktchef hos Sanoma Media Finland, sagde, at virksomheden bruger Amazon Polly til at omdanne sine nyhedsartikler i realtid til lyd og i øjeblikket udgiver mere end 10.000 artikler om måneden med Pollys finske neurale stemme. Reinikainen sagde, at Suvis nye generative stemme i virksomhedens test var en tydelig forbedring i forhold til den tidligere neurale stemme og lød mærkbart mere naturlig for lytterne.