Μοντέλα και πλατφόρμες AI

Η Amazon Polly προσθέτει κλωνοποίηση φωνής με ελεγχόμενη πρόσβαση για προσαρμοσμένες φωνές επωνυμίας

Aiden Cross
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΟι κλωνοποιημένες φωνές παραμένουν κλειδωμένες στον λογαριασμό και την Περιοχή που τις…
Δείτε περισσότερα
  • Οι κλωνοποιημένες φωνές παραμένουν κλειδωμένες στον λογαριασμό και την Περιοχή που τις δημιούργησε, επομένως η χρήση σε άλλη Περιοχή απαιτεί εκ νέου δημιουργία από τις ίδιες ηχογραφήσεις.
  • Η Polly απορρίπτει τις αρχικές ηχογραφήσεις μετά τη δημιουργία μιας φωνής και διατηρεί μόνο κρυπτογραφημένα δεδομένα φωνής μέχρι τη διαγραφή.
  • Μια κλωνοποιημένη φωνή κληρονομεί ένα στυλ απόδοσης από τις ηχογραφήσεις της και δεν μπορεί να συνδυάσει πολλαπλές συναισθηματικές εκτελέσεις.

Η Amazon Web Services ανακοίνωσε τη διάθεση της Amazon Polly στις 19 Νοεμβρίου 2026, καθιστώντας γενικά διαθέσιμη την κλωνοποίηση φωνής μέσω διάθεσης με ελεγχόμενη πρόσβαση. Οι εγκεκριμένοι λογαριασμοί AWS μπορούν να δημιουργούν προσαρμοσμένες φωνές μετατροπής κειμένου σε ομιλία από ηχογραφήσεις ενός ομιλητή που έχει δώσει τη συγκατάθεσή του, με υποστήριξη επτά γλωσσών κατά την έναρξη της διάθεσης.

Η πρόσβαση ενεργοποιείται ξεχωριστά για κάθε λογαριασμό AWS. Ορισμένοι πελάτες της Polly έχουν ήδη πρόσβαση, ενώ οι υπόλοιποι μπορούν να επικοινωνήσουν με την ομάδα του λογαριασμού τους στην AWS ή να υποβάλουν αίτηση. Η δημιουργία κλωνοποιημένης φωνής είναι δωρεάν· για τον συνθετικό ήχο ισχύει χρέωση ανάλογα με τη χρήση. Η λειτουργία είναι διαθέσιμη στις ίδιες περιοχές AWS με τη γενετική μηχανή της Polly, συμπεριλαμβανομένης της AWS GovCloud (US-West).

Οι κλωνοποιημένες φωνές λειτουργούν με αυτήν τη μηχανή, η οποία, σύμφωνα με την AWS, προσφέρει φυσικότητα και ακρίβεια παρόμοιες με εκείνες των άλλων γενετικών φωνών της. Υποστηρίζονται τα αγγλικά, τα ισπανικά, τα γερμανικά, τα γαλλικά, τα ιταλικά, τα πορτογαλικά και τα χίντι, αλλά κάθε φωνή μιλά μόνο τη γλώσσα στην οποία ηχογραφήθηκε. Επιπλέον, η φωνή παραμένει στον λογαριασμό και στην περιοχή όπου δημιουργήθηκε. Για χρήση σε άλλη περιοχή ή σε άλλον λογαριασμό, πρέπει να δημιουργηθεί ξανά από τις ίδιες ηχογραφήσεις, με τη συγκατάθεση του ομιλητή να καλύπτει κάθε αντίγραφο.

Δημιουργία φωνής από ηχογραφήσεις

Η βασική επιχειρηματική χρήση είναι η διατήρηση μιας ενιαίας φωνής σε τηλεφωνικά συστήματα, φωνητικούς πράκτορες, εφαρμογές για κινητά, ανακοινώσεις σε καταστήματα, διαφημίσεις και συνδεδεμένες συσκευές. Η λειτουργία υποστηρίζει επίσης μηνύματα για κέντρα επικοινωνίας και περιεχόμενο μεγαλύτερης διάρκειας, όπως ηχητικά βιβλία, μαθήματα και podcast. Για οργανισμούς των οποίων τα κείμενα αλλάζουν συχνά, το πρακτικό όφελος είναι η δημιουργία νέου ήχου με μια καθιερωμένη φωνή, χωρίς να χρειάζεται να οργανώνεται νέα ηχογράφηση για κάθε αναθεώρηση.

Για να δημιουργήσει μια φωνή, ο πελάτης υποβάλλει 1–10 ηχογραφήσεις ενός ομιλητή, συνολικής διάρκειας έως 15 λεπτών. Η AWS συνιστά 2–10 λεπτά φυσικής ομιλίας και επισημαίνει ότι η ποιότητα έχει μεγαλύτερη σημασία από τη διάρκεια. Τα αρχεία μπορούν να μεταφορτωθούν μέσω της κονσόλας, να συμπεριληφθούν σε CreateVoice ή να παρασχεθούν από έναν κάδο Amazon S3 στην περιοχή-στόχο. Το αίτημα απαιτεί επίσης τη γλώσσα της ηχογράφησης και TermsAccepted=True.

Το API επιστρέφει αμέσως ένα αναγνωριστικό φωνής και στη συνέχεια δημιουργεί τη φωνή ασύγχρονα, συνήθως σε 5–10 λεπτά, ελέγχοντας παράλληλα την ομοιότητά της με τον ομιλητή. Μια ολοκληρωμένη φωνή μπορεί να παράγει ήχο σε πραγματικό χρόνο μέσω SynthesizeSpeech ή ήχο μεγάλης διάρκειας, ο οποίος εγγράφεται στο S3 μέσω StartSpeechSynthesisTask. Επειδή η δημιουργία διαρκεί λίγα λεπτά, η AWS συνιστά να αντιμετωπίζεται ως βήμα προετοιμασίας εκ των προτέρων και όχι ως μέρος ενός ζωντανού αιτήματος χρήστη.

Αρχικά, οι πελάτες έχουν όριο 10 κλωνοποιημένων φωνών ανά λογαριασμό και ανά περιοχή. CreateVoice και DeleteVoice έχουν από κοινού όριο ενός αιτήματος ανά δευτερόλεπτο, επομένως οι μαζικές δημιουργίες και διαγραφές πρέπει να μπαίνουν σε ουρά.

Έλεγχοι συγκατάθεσης και ασφάλειας

Το βήμα αποδοχής των όρων επιβεβαιώνει ότι ο πελάτης έχει εξασφαλίσει όλα τα δικαιώματα και τις συγκαταθέσεις που απαιτούνται για τη δημιουργία και τη χρήση της φωνής. Η Polly προσθέτει υδατογράφημα στον συνθετικό ήχο που παράγεται με κλωνοποιημένη φωνή, ενώ η πρόσβαση περιορίζεται στον λογαριασμό AWS που τη δημιούργησε μέσω της υπηρεσίας AWS Identity and Access Management. Οι πελάτες μπορούν να προσθέτουν ετικέτες στις φωνές και να τις κρυπτογραφούν με το δικό τους κλειδί AWS Key Management Service.

Μετά τη δημιουργία, η Polly δεν διατηρεί αντίγραφο των αρχικών ηχογραφήσεων ούτε τις χρησιμοποιεί για την εκπαίδευση μοντέλων Amazon Polly. Διατηρεί μόνο τα δεδομένα φωνής που είναι απαραίτητα για τη σύνθεση, αποθηκευμένα με κρυπτογράφηση έως ότου διαγραφούν· DeleteVoice διαγράφει αμέσως αυτά τα δεδομένα. Η AWS συνιστά να τηρείται αρχείο συγκατάθεσης, να διαγράφεται η φωνή αν ανακληθεί η συγκατάθεση, να ενημερώνονται οι ακροατές όταν ακούν συνθετική ομιλία, όπου ενδείκνυται, και να περιορίζονται τα δικαιώματα πρόσβασης στη φωνή στα απολύτως αναγκαία άτομα και συστήματα.

Ποιότητα ηχογράφησης και περιορισμοί εξόδου

Η προτεινόμενη μορφή ηχογράφησης είναι μονοφωνικό WAV 16 bit στα 24 kHz, με έναν ομιλητή σε ήσυχο χώρο. Ο θόρυβος του ανεμιστήρα, η ηχώ του δωματίου και η επεξεργασία ήχου από μια εφαρμογή συσκέψεων μπορεί να ενσωματωθούν στην κλωνοποιημένη φωνή. Μπορούν να λειτουργήσουν και άλλες προφορές των υποστηριζόμενων γλωσσών, όπως τα βρετανικά αγγλικά ή τα καναδικά γαλλικά, αλλά έχουν δοκιμαστεί λιγότερο, γι’ αυτό είναι σημαντικό να ελέγχεται η φωνή με το περιεχόμενο του ίδιου του πελάτη.

Η κλωνοποιημένη φωνή υιοθετεί επίσης τον τρόπο εκφοράς των ηχογραφήσεων και δεν μπορεί να συνδυάσει διαφορετικά στιλ· έτσι, ηχογραφήσεις με ενθουσιώδη, λυπημένο και θυμωμένο τόνο δεν δημιουργούν μία φωνή ικανή να αποδώσει και τους τρεις. Το ίδιο κείμενο μπορεί να ακούγεται ελαφρώς διαφορετικό σε κάθε αίτημα σύνθεσης. Για σταθερά μηνύματα, όπως οι τηλεφωνικοί χαιρετισμοί, η AWS συνιστά να δημιουργείται ο ήχος μία φορά, να εγκρίνεται από τον ομιλητή και την ομάδα της επωνυμίας και να χρησιμοποιείται το αποθηκευμένο αρχείο. Πριν από την εφαρμογή τους, τα κείμενα παραγωγής πρέπει να δοκιμάζονται με ονόματα, αριθμούς, διευθύνσεις και μεγάλες προτάσεις.

Για τις επιχειρήσεις, η διάθεση εντάσσει μια επαναχρησιμοποιήσιμη φωνή στη στοίβα εφαρμογών AWS, μαζί με API σύνθεσης, κρυπτογράφηση και όρια χρήσης της υπηρεσίας. Το λειτουργικό έργο πλέον δεν περιορίζεται στη δημιουργία ομιλίας, αλλά περιλαμβάνει τη διαχείριση της συγκατάθεσης, της πρόσβασης, των αντιγράφων σε διαφορετικές περιοχές και της έγκρισης του ήχου που φτάνει στους ακροατές.

Aiden Cross είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στην Unite.AI, καλύπτοντας τη στρατηγική προϊόντος της τεχνητής νοημοσύνης, την εκτέλεση και τις πρακτικές προκλήσεις της μετατροπής των πειραματικών μοντέλων σε κλιμακώσιμα, έτοιμα για την αγορά προϊόντα. Το έργο του επικεντρώνεται στο πώς οι νεοφυείς επιχειρήσεις και οι επιχειρηματικές ομάδες μεταβαίνουν από τα πρωτότυπα και τις επιδείξεις σε αξιόπιστα συστήματα που χρησιμοποιούνται από πραγματικούς πελάτες.
Με μια πραγματιστική και λεπτομερή προοπτική, ο Aiden αναλύει τους οδικούς χάρτες προϊόντων, τις στρατηγικές go-to-market, τις αποφάσεις πλατφόρμας και τους οργανωτικούς συμβιβασμούς που καθορίζουν εάν οι πρωτοβουλίες της τεχνητής νοημοσύνης θα επιτύχουν ή θα σταματήσουν. Ιδιαίτερη προσοχή δίνει στις πραγματικότητες της ανάπτυξης, την υιοθέτηση από τους χρήστες, τους περιορισμούς της υποδομής και την ευθυγράμμιση μεταξύ της τεχνικής ικανότητας και της επιχειρηματικής αξίας.
Τα άρθρα που έχουν γραφτεί από τον Aiden Cross έχουν δημιουργηθεί από την τεχνητή νοημοσύνη και έχουν αναθεωρηθεί από την συντακτική ομάδα της Unite.AI για να διασφαλιστεί η σαφήνεια, η ακρίβεια και η υπεύθυνη κάλυψη του πώς τα προϊόντα της τεχνητής νοημοσύνης αναπτύσσονται, διατίθενται στους χρήστες και κλιμακώνονται στον πραγματικό κόσμο.