AWS erweitert die generative Engine von Amazon Polly um 14 neue Stimmen

Amazon Web Services hat am 22. Oktober 2026 ein allgemein verfügbares Upgrade für die generative Text-to-Speech-Engine von Amazon Polly veröffentlicht. Es ergänzt 14 neue Stimmen für neun Sprachvarianten und bringt erstmals generative Stimmen für Hindi und Finnisch. In einem Blogbeitrag zu AWS Machine Learning beschrieb das Unternehmen die aktualisierte Engine als Lösung, die Sprachausgaben mit geringer Latenz und ausdrucksstärker sowie präziser erzeugt und nun auch in Produktionsumgebungen verfügbar ist.

Das Release lässt sich als direktes Upgrade für bestehende generative Stimmen einspielen: Die Stimmnamen und API-Aufrufe bleiben unverändert, sodass Anwendungen, die sie bereits verwenden, ohne Anpassungen weiter funktionieren. AWS beschreibt Amazon Polly als vollständig verwalteten Dienst, der Text in natürlich klingende Sprache umwandelt. Er kommt in Contactcentern, agentischen Anwendungen auf Basis großer Sprachmodelle, Medien und Unterhaltung, E-Learning, zur Verbesserung der Barrierefreiheit sowie für andere Anwendungsfälle zum Einsatz, bei denen eine zuverlässige Sprachausgabe in großem Umfang benötigt wird.

Sprachqualität und Engine-Design

Laut AWS können die aktualisierten Stimmen Emotion und Prosodie an den eingegebenen Text anpassen, ohne dass eine manuelle Konfiguration erforderlich ist. Die Ankündigung veranschaulicht dies mit drei Lesarten desselben Satzes über ein Paket, das früher als erwartet eintrifft – neutral, unsicher und überrascht – sowie mit Audiobeispielen. In einem Beispiel begrüßt die Stimme Tiffany eine zuhörende Person und stellt sich als eine der generativen Stimmen von Polly vor; in einem anderen liest die Stimme Kenneth eine Bestellbestätigung vor. Dabei werden laut AWS eine Sendungsverfolgungsnummer, ein Lieferdatum samt Zeitfenster, ein Gesamtbetrag in einer Währung und eine Straßenadresse korrekt wiedergegeben.

Der Entwicklerleitfaden für Amazon Polly beschreibt die generative Engine als das bislang größte Text-to-Speech-Modell von Amazon Polly. Sie kombiniert einen Transformer mit einer Milliarde Parametern, der Rohtext in Sprachcodes umwandelt, mit einem faltungsbasierten Decoder, der diese Codes schrittweise und streambar in Wellenformen umsetzt. Der Leitfaden weist darauf hin, dass Aktualisierungen der Trainingsdaten und des Modells aufgrund der Einbettung in das Paradigma der generativen KI zu leichten Abweichungen im Klang der Stimmen führen können, auch wenn sich die Gesamtqualität verbessert. Das ist bei Inhalten zu berücksichtigen, die über einen längeren Zeitraum in einzelnen Abschnitten synthetisiert werden, etwa bei einer Podcast-Staffel.

Neue Stimmen, Sprachen und Regionen

Die 14 neuen Stimmen nach Sprachvariante sind: US-amerikanisches Englisch (Kenneth, Nate), australisches Englisch (Russell, Curtis), indisches Englisch (Kiara, Arjun), Deutsch (Tina), US-Spanisch (Carlos), brasilianisches Portugiesisch (Leo, Carolina), Koreanisch (Hyunduk), Hindi (Kiara, Arjun) und Finnisch (Suvi). AWS hat Beispieltexte für die Hindi-Stimmen Arjun und Kiara sowie die finnische Stimme Suvi veröffentlicht. Hindi und Finnisch sind laut AWS erstmals allgemein über die generative Engine verfügbar.

Mit den Ergänzungen umfasst der Katalog der generativen Engine laut AWS nun insgesamt 57 Stimmen in 11 Sprachen und 25 Sprachvarianten. Die 14 neuen Stimmen sind in 11 AWS-Regionen verfügbar: US-Ost (Nord-Virginia), US-West (Oregon), Europa (Frankfurt), Europa (Zürich), Europa (London), Asien-Pazifik (Sydney), Asien-Pazifik (Seoul), Asien-Pazifik (Singapur), Asien-Pazifik (Tokio), Kanada (Zentral) und AWS GovCloud (US-West). Die Ergänzung um GovCloud (US-West) vergrößert die geografische Reichweite der Engine.

APIs, Preise und dokumentierte Einschränkungen

Bestehende Integrationen funktionieren unverändert weiter. Über denselben SynthesizeSpeech-API-Aufruf mit dem auf „generative“ gesetzten Engine-Parameter lassen sich die aktualisierten Stimmen nutzen; laut AWS sind dafür keine Codeänderungen erforderlich. Für Echtzeitanwendungen ermöglicht die bidirektionale Streaming-API StartSpeechSynthesisStream einer Anwendung, Text an Amazon Polly zu streamen und gleichzeitig synthetisiertes Audio zurückzuerhalten. Dieses Muster eignet sich laut AWS besonders für Sprachagenten und maßgeschneiderte Spielfiguren.

Die Preise bleiben unverändert. Laut AWS verbessert das Upgrade Sprachqualität und Genauigkeit zum bisherigen Preis – ohne Preiserhöhung, neue SKU oder Änderungen an bestehenden Integrationen. Kunden können synthetisierte statische Ansagen außerdem ohne zusätzliche Kosten zwischenspeichern und erneut abspielen. Die generative Engine unterstützt weiterhin Tags der Speech Synthesis Markup Language, mit denen sich die Ausgabe präzise steuern lässt.

Mehrere dokumentierte Einschränkungen bleiben bestehen. Sprachmarkierungen sind für generative Stimmen weiterhin nicht verfügbar; Standard- und neuronale Stimmen, die von dem Upgrade nicht betroffen sind, unterstützen sie nach wie vor. Laut Entwicklerleitfaden wird der Stil „Nachrichtensprecher“ von der generativen Engine nicht unterstützt, bidirektionales Streaming ist nur in bestimmten Regionen verfügbar, und generative Stimmen verwenden standardmäßig eine Abtastrate von 24 kHz sowie die Ausgabeformate MP3, OGG (Vorbis) und unkomprimiertes PCM. Der Leitfaden beschreibt außerdem einen integrierten Notstoppmechanismus, der die Sprachausgabe anhält, wenn das Modell möglicherweise zu Halluzinationen neigt – typischerweise gegen Ende eines Satzes. AWS warnt, dass diese Schutzmaßnahme das Risiko verringert, aber nicht beseitigt. In Ausnahmefällen kann das Modell einen Teil eines Wortes abschneiden oder über den Schwellenwert für den Stopp hinaus weitere Inhalte erzeugen.

Verfügbarkeit und erste Kundennutzung

Laut AWS kommen die Qualitätsverbesserungen automatisch auch den Contact-Center-Abläufen von Amazon Connect und Genesys zugute. Entwickler können über die AWS Management Console, die AWS Command Line Interface oder die AWS SDKs mit den Stimmen arbeiten. Dafür benötigen sie die IAM-Berechtigung polly:SynthesizeSpeech. Zur Bereitstellungszeit können sie DescribeVoices aufrufen, um zu prüfen, ob eine ausgewählte generative Stimme in der Region verfügbar ist, in der eine Anwendung ausgeführt wird.

Justus Reinikainen, Produktmanager bei Sanoma Media Finland, sagte, das Unternehmen nutze Amazon Polly, um seine Nachrichtenartikel in Echtzeit in Audio umzuwandeln, und veröffentliche derzeit mithilfe von Pollys finnischer neuronaler Stimme mehr als 10.000 Artikel pro Monat. In den Tests des Unternehmens sei Suvis neue generative Stimme eine deutliche Verbesserung gegenüber der vorherigen neuronalen Stimme gewesen und habe für die Zuhörer merklich natürlicher geklungen, so Reinikainen.