Η AWS αναβαθμίζει τη μηχανή Generative του Amazon Polly με 14 νέες φωνές

Στις 22 Οκτωβρίου 2026, η Amazon Web Services κυκλοφόρησε μια αναβάθμιση του μηχανισμού μετατροπής κειμένου σε ομιλία Generative του Amazon Polly, η οποία είναι πλέον γενικά διαθέσιμη. Η αναβάθμιση προσθέτει 14 νέες φωνές σε εννέα τοπικές ρυθμίσεις και φέρνει για πρώτη φορά τις γενετικές φωνές στα Χίντι και τα Φινλανδικά. Σε μια ανάρτηση στο ιστολόγιο μηχανικής μάθησης της AWS, η εταιρεία περιέγραψε την ενημερωμένη μηχανή ως ικανή να παράγει ομιλία με μεγαλύτερη εκφραστικότητα και ακρίβεια, με χαμηλή καθυστέρηση, η οποία είναι πλέον διαθέσιμη για χρήση σε περιβάλλον παραγωγής.

Η έκδοση διατίθεται ως άμεση αναβάθμιση για τις υπάρχουσες γενετικές φωνές: τα ονόματα των φωνών και οι κλήσεις API παραμένουν αμετάβλητα, επομένως οι εφαρμογές που τις χρησιμοποιούν ήδη συνεχίζουν να λειτουργούν χωρίς τροποποιήσεις. Η AWS περιγράφει το Amazon Polly ως πλήρως διαχειριζόμενη υπηρεσία που μετατρέπει κείμενο σε ομιλία με φυσικό ήχο. Χρησιμοποιείται σε κέντρα επικοινωνίας, εφαρμογές με δυνατότητες αυτόνομης δράσης που βασίζονται σε μεγάλα γλωσσικά μοντέλα, μέσα ενημέρωσης και ψυχαγωγία, ηλεκτρονική μάθηση, προσβασιμότητα, καθώς και σε άλλους φόρτους εργασίας που απαιτούν αξιόπιστη παραγωγή φωνής σε μεγάλη κλίμακα.

Ποιότητα ομιλίας και σχεδιασμός της μηχανής

Η AWS ανέφερε ότι οι αναβαθμισμένες φωνές μπορούν να προσαρμόζουν το συναίσθημα και την προσωδία τους στο κείμενο εισόδου, χωρίς να απαιτείται χειροκίνητη ρύθμιση. Η ανακοίνωση παρουσιάζει αυτή τη δυνατότητα με τρεις εκφωνήσεις της ίδιας πρότασης σχετικά με ένα δέμα που φτάνει νωρίτερα από το αναμενόμενο —μία ουδέτερη, μία αβέβαιη και μία έκπληκτη— καθώς και με δείγματα ήχου. Σε ένα δείγμα, η φωνή της Tiffany χαιρετά έναν ακροατή και συστήνεται ως μία από τις γενετικές φωνές του Polly· σε ένα άλλο, η φωνή του Kenneth διαβάζει μια επιβεβαίωση παραγγελίας, αποδίδοντας με ακρίβεια, σύμφωνα με την AWS, έναν αριθμό παρακολούθησης, μια ημερομηνία και ένα χρονικό διάστημα παράδοσης, ένα ποσό σε νόμισμα και μια διεύθυνση οδού.

Ο Οδηγός προγραμματιστών του Amazon Polly περιγράφει τη μηχανή Generative ως το μεγαλύτερο μέχρι σήμερα μοντέλο μετατροπής κειμένου σε ομιλία του Amazon Polly. Συνδυάζει έναν μετασχηματιστή με ένα δισεκατομμύριο παραμέτρους, ο οποίος μετατρέπει το ακατέργαστο κείμενο σε κώδικες ομιλίας, με έναν αποκωδικοποιητή βασισμένο σε συνελικτικά δίκτυα, ο οποίος μετατρέπει αυτούς τους κώδικες σε κυματομορφές σταδιακά, με τρόπο που επιτρέπει τη μετάδοση σε ροή. Ο οδηγός επισημαίνει ότι, επειδή η τεχνολογία εντάσσεται στο πεδίο της γενετικής τεχνητής νοημοσύνης, οι ενημερώσεις των δεδομένων εκπαίδευσης και του μοντέλου ενδέχεται να προκαλέσουν μικρές διακυμάνσεις στον ήχο των φωνών, ακόμη κι όταν βελτιώνεται συνολικά η ποιότητα. Αυτό πρέπει να λαμβάνεται υπόψη για περιεχόμενο που συντίθεται τμηματικά σε μεγάλο χρονικό διάστημα, όπως μια σεζόν podcast.

Νέες φωνές, γλώσσες και περιοχές

Οι 14 νέες φωνές ανά τοπική ρύθμιση είναι οι εξής: Αγγλικά ΗΠΑ (Kenneth, Nate), Αγγλικά Αυστραλίας (Russell, Curtis), Αγγλικά Ινδίας (Kiara, Arjun), Γερμανικά (Tina), Ισπανικά ΗΠΑ (Carlos), Πορτογαλικά Βραζιλίας (Leo, Carolina), Κορεατικά (Hyunduk), Χίντι (Kiara, Arjun) και Φινλανδικά (Suvi). Η AWS δημοσίευσε δείγματα κειμένων για τις φωνές Χίντι Arjun και Kiara και τη φωνή Φινλανδικών Suvi, και ανέφερε ότι τα Χίντι και τα Φινλανδικά είναι για πρώτη φορά γενικά διαθέσιμα στη μηχανή Generative.

Με τις προσθήκες, ο κατάλογος Generative περιλαμβάνει πλέον συνολικά 57 φωνές σε 11 γλώσσες και 25 τοπικές ρυθμίσεις, σύμφωνα με την AWS. Οι 14 νέες φωνές είναι διαθέσιμες σε 11 περιοχές της AWS: Ανατολικές ΗΠΑ (Βόρεια Βιρτζίνια), Δυτικές ΗΠΑ (Όρεγκον), Ευρώπη (Φρανκφούρτη), Ευρώπη (Ζυρίχη), Ευρώπη (Λονδίνο), Ασία-Ειρηνικός (Σίδνεϊ), Ασία-Ειρηνικός (Σεούλ), Ασία-Ειρηνικός (Σιγκαπούρη), Ασία-Ειρηνικός (Τόκιο), Καναδάς (Κεντρική περιοχή) και AWS GovCloud (Δυτικές ΗΠΑ). Η προσθήκη στο GovCloud (Δυτικές ΗΠΑ) διευρύνει τη γεωγραφική κάλυψη της μηχανής.

API, τιμολόγηση και τεκμηριωμένοι περιορισμοί

Οι υπάρχουσες ενσωματώσεις συνεχίζουν να λειτουργούν χωρίς αλλαγές. Η ίδια κλήση API SynthesizeSpeech, με την παράμετρο engine ορισμένη σε generative, δίνει πρόσβαση στις αναβαθμισμένες φωνές, ενώ η AWS ανέφερε ότι δεν απαιτούνται αλλαγές στον κώδικα. Για φόρτους εργασίας πραγματικού χρόνου, το αμφίδρομο API ροής StartSpeechSynthesisStream επιτρέπει σε μια εφαρμογή να μεταδίδει κείμενο στο Amazon Polly και ταυτόχρονα να λαμβάνει πίσω συνθεμένο ήχο. Η AWS περιέγραψε αυτό το μοντέλο ως ιδιαίτερα κατάλληλο για φωνητικούς πράκτορες και εξατομικευμένους χαρακτήρες σε παιχνίδια.

Η τιμολόγηση παραμένει ίδια. Η AWS ανέφερε ότι η αναβάθμιση προσφέρει βελτιωμένη ποιότητα και ακρίβεια φωνής στην υπάρχουσα τιμή, χωρίς αύξηση κόστους, νέο SKU ή αλλαγές στις τρέχουσες ενσωματώσεις, και ότι οι πελάτες μπορούν να αποθηκεύουν προσωρινά και να αναπαράγουν ξανά στατικά μηνύματα που έχουν συντεθεί, χωρίς πρόσθετη χρέωση. Η μηχανή Generative εξακολουθεί επίσης να υποστηρίζει ετικέτες της Speech Synthesis Markup Language για λεπτομερή έλεγχο της εξόδου.

Παραμένουν σε ισχύ αρκετοί τεκμηριωμένοι περιορισμοί. Οι δείκτες ομιλίας εξακολουθούν να μην είναι διαθέσιμοι στις γενετικές φωνές· οι τυπικές και οι νευρωνικές φωνές, τις οποίες δεν επηρεάζει η αναβάθμιση, εξακολουθούν να τους υποστηρίζουν. Ο οδηγός προγραμματιστών σημειώνει ότι το ύφος εκφώνησης ειδήσεων δεν υποστηρίζεται στη μηχανή Generative, ότι η αμφίδρομη ροή προσφέρεται μόνο σε ορισμένες περιοχές και ότι οι γενετικές φωνές χρησιμοποιούν από προεπιλογή ρυθμό δειγματοληψίας 24 kHz, με μορφές εξόδου MP3, OGG (Vorbis) και ακατέργαστο PCM. Ο οδηγός περιγράφει επίσης έναν ενσωματωμένο μηχανισμό έκτακτης διακοπής, ο οποίος σταματά την απόδοση ομιλίας όταν το μοντέλο εμφανίζει πιθανότητα να παράγει παραισθήσεις, συνήθως κοντά στο τέλος μιας πρότασης. Η AWS προειδοποιεί ότι αυτό το μέτρο προστασίας μειώνει τον κίνδυνο, αλλά δεν τον εξαλείφει, και ότι σε οριακές περιπτώσεις το μοντέλο μπορεί να διακόψει μέρος μιας λέξης ή να συνεχίσει να παράγει περιεχόμενο πέρα από το όριο διακοπής.

Διαθεσιμότητα και πρώιμη χρήση από πελάτες

Σύμφωνα με την AWS, οι βελτιώσεις στην ποιότητα εφαρμόζονται αυτόματα στις ροές των κέντρων επικοινωνίας Amazon Connect και Genesys. Οι προγραμματιστές μπορούν να χρησιμοποιούν τις φωνές μέσω της Κονσόλας Διαχείρισης AWS, της Γραμμής Εντολών AWS ή των AWS SDK, με το δικαίωμα IAM polly:SynthesizeSpeech, και να καλούν την DescribeVoices κατά την ανάπτυξη, ώστε να επιβεβαιώνουν ότι μια επιλεγμένη παραγωγική φωνή είναι διαθέσιμη στην περιοχή όπου εκτελείται μια εφαρμογή.

Ο Justus Reinikainen, υπεύθυνος προϊόντων στη Sanoma Media Finland, δήλωσε ότι η εταιρεία χρησιμοποιεί το Amazon Polly για να μετατρέπει σε ήχο τα άρθρα ειδήσεων σε πραγματικό χρόνο και δημοσιεύει σήμερα περισσότερα από 10.000 άρθρα τον μήνα με τη φινλανδική νευρωνική φωνή του Polly. Ο Reinikainen ανέφερε ότι, στις δοκιμές της εταιρείας, η νέα φωνή γενετικής τεχνητής νοημοσύνης Suvi ήταν σαφώς βελτιωμένη σε σχέση με την προηγούμενη νευρωνική φωνή και ακουγόταν αισθητά πιο φυσική στους ακροατές.