Modelos y plataformas de IA
Amazon Polly incorpora la clonación de voz con acceso restringido para crear voces de marca personalizadas

Puntos claveLas voces clonadas permanecen vinculadas a su cuenta y Región de creación, por lo que…
Ver más
- Las voces clonadas permanecen vinculadas a su cuenta y Región de creación, por lo que el uso entre Regiones requiere reconstruirlas a partir de las mismas grabaciones.
- Polly descarta las grabaciones de origen después de crear una voz y solo conserva los datos de voz cifrados hasta su eliminación.
- Una voz clonada hereda un único estilo de entrega de sus grabaciones y no puede combinar múltiples tomas emocionales.
Amazon Web Services anunció el lanzamiento de Amazon Polly el 19 de noviembre de 2026, con la disponibilidad general de la clonación de voz en un lanzamiento con acceso restringido. Las cuentas de AWS aprobadas pueden crear voces personalizadas de texto a voz a partir de grabaciones de un único hablante que haya dado su consentimiento; en el lanzamiento se admiten siete idiomas.
El acceso se habilita para cada cuenta de AWS. Algunos clientes seleccionados de Polly ya lo tienen; los demás pueden ponerse en contacto con su equipo de cuentas de AWS o solicitarlo. Crear una voz clonada es gratis; el audio sintetizado se cobra según el uso. La función está disponible en las mismas regiones de AWS que el motor generativo de Polly, incluida AWS GovCloud (US-West).
Las voces clonadas funcionan con ese motor, que, según AWS, ofrece una naturalidad y una precisión similares a las de sus otras voces generativas. Se admiten inglés, español, alemán, francés, italiano, portugués e hindi, pero cada voz habla únicamente el idioma en el que se grabó. Además, la voz permanece en la cuenta y la región donde se creó. Para utilizarla en otra región o cuenta, hay que crearla de nuevo a partir de las mismas grabaciones, y el consentimiento del hablante debe abarcar cada copia.
Crear una voz a partir de grabaciones
El principal uso empresarial es mantener una voz uniforme en sistemas telefónicos, agentes de voz, aplicaciones móviles, anuncios en tiendas, publicidad y dispositivos conectados. La función también permite crear mensajes para centros de contacto y contenido de formato más largo, como audiolibros, cursos y pódcast. Para las organizaciones cuyos guiones cambian, la ventaja práctica consiste en generar nuevo audio con una voz ya establecida sin tener que organizar una nueva sesión de grabación para cada revisión.
Para crear una voz, el cliente envía entre 1 y 10 grabaciones de un solo hablante, con un máximo total de 15 minutos de audio. AWS recomienda entre 2 y 10 minutos de habla natural y señala que la calidad importa más que la duración. Los archivos se pueden cargar mediante la consola, incluir en CreateVoice o proporcionar desde un bucket de Amazon S3 en la región de destino. La solicitud también requiere el idioma de la grabación y TermsAccepted=True.
La API devuelve de inmediato un ID de voz y, a continuación, la crea de forma asíncrona, normalmente en 5–10 minutos, mientras comprueba la similitud con la voz del hablante. Una vez creada, la voz puede generar audio en tiempo real mediante SynthesizeSpeech o audio de formato largo que se guarda en S3 mediante StartSpeechSynthesisTask. Como la creación tarda unos minutos, AWS recomienda tratarla como una tarea de aprovisionamiento anticipado, en lugar de incluirla en una solicitud de usuario en tiempo real.
Los clientes comienzan con una cuota de 10 voces clonadas por cuenta y por región. CreateVoice y DeleteVoice comparten un límite de una solicitud por segundo, por lo que las creaciones y eliminaciones en bloque deben ponerse en cola.
Controles de consentimiento y seguridad
El paso de aceptación de las condiciones confirma que el cliente ha obtenido todos los derechos y consentimientos necesarios para crear y utilizar la voz. Polly añade una marca de agua al audio sintetizado con una voz clonada y restringe el acceso a la cuenta de AWS que la creó mediante AWS Identity and Access Management. Los clientes pueden etiquetar las voces y cifrarlas con su propia clave de AWS Key Management Service.
Una vez creada la voz, Polly no conserva su copia de las grabaciones de origen ni las utiliza para entrenar modelos de Amazon Polly. Solo mantiene los datos de voz necesarios para la síntesis, almacenados de forma cifrada hasta que se eliminan; DeleteVoice elimina esos datos de inmediato. AWS recomienda conservar un registro del consentimiento, eliminar la voz si se retira el consentimiento, informar a los oyentes cuando corresponda de que están escuchando voz sintética y limitar los permisos de voz a las personas y los sistemas que los necesiten.
Calidad de grabación y límites de salida
El formato de grabación recomendado es WAV mono de 16 bits a 24 kHz, capturado de un solo hablante en una habitación silenciosa. El clon puede aprender el ruido de los ventiladores, el eco de la habitación y el procesamiento de audio de una aplicación de reuniones. También pueden funcionar otros acentos de los idiomas admitidos, como el inglés británico o el francés canadiense, pero se han probado menos; por eso, es importante comprobar la voz con contenido propio del cliente.
La voz clonada también adopta el estilo de expresión de las grabaciones y no puede combinar varios estilos, por lo que las interpretaciones animadas, tristes y enfadadas no darán como resultado una sola voz capaz de reproducir los tres estilos. El mismo texto puede sonar ligeramente distinto en diferentes solicitudes de síntesis. Para mensajes fijos, como los saludos telefónicos, AWS recomienda generar el audio una sola vez, obtener la aprobación del hablante y del equipo de marca, y distribuir el archivo almacenado. Antes de implementarlos, se deben probar los guiones de producción con nombres, números, direcciones y oraciones largas.
Para las empresas, este lanzamiento incorpora una voz reutilizable a la pila de aplicaciones de AWS, junto con las API de síntesis, el cifrado y las cuotas del servicio. La tarea operativa ya no se limita a generar voz: también abarca gestionar el consentimiento, el acceso, las copias regionales y la aprobación del audio que llega a los oyentes.












