AWS actualiza el motor Generative de Amazon Polly con 14 voces nuevas

Amazon Web Services lanzó el 22 de octubre de 2026 una actualización de disponibilidad general del motor de texto a voz Generative de Amazon Polly, que incorpora 14 voces nuevas en nueve configuraciones regionales y añade por primera vez voces generativas en hindi y finés. En una publicación del blog de aprendizaje automático de AWS, la compañía describió el motor actualizado como capaz de generar voz más expresiva y precisa con baja latencia, ya disponible en entornos de producción.

La versión se ofrece como una actualización directa de las voces generativas existentes: los nombres de las voces y las llamadas a la API no cambian, por lo que las aplicaciones que ya las utilizan siguen funcionando sin modificaciones. AWS describe Amazon Polly como un servicio totalmente administrado que convierte texto en voz natural y que se utiliza en centros de contacto, aplicaciones basadas en agentes creadas con modelos de lenguaje de gran tamaño, medios y entretenimiento, aprendizaje electrónico, accesibilidad y otras cargas de trabajo que requieren una salida de voz fiable a escala.

Calidad de voz y diseño del motor

AWS afirmó que las voces actualizadas pueden adaptar la emoción y la prosodia al texto de entrada sin necesidad de configuración manual. El anuncio muestra este comportamiento con tres lecturas de la misma frase sobre un paquete que llega antes de lo previsto —una neutra, otra dubitativa y otra de sorpresa—, además de ejemplos de audio. En uno de ellos, la voz Tiffany saluda a quien escucha y se presenta como una de las voces generativas de Polly; en otro, la voz Kenneth lee una confirmación de pedido, que, según AWS, reproduce con precisión un número de seguimiento, una fecha y una franja horaria de entrega, un importe en moneda y una dirección postal.

La guía para desarrolladores de Amazon Polly describe el motor Generative como el modelo de texto a voz más grande de Amazon Polly hasta la fecha. Combina un transformador con mil millones de parámetros, que convierte el texto sin procesar en códigos de voz, con un decodificador basado en convoluciones que transforma esos códigos en formas de onda de manera incremental y apta para la transmisión en flujo. La guía advierte que, dado que esta tecnología forma parte del paradigma de la IA generativa, las actualizaciones de los datos de entrenamiento y del modelo pueden producir ligeras variaciones en el sonido de las voces, aunque mejore la calidad general. Esto debe tenerse en cuenta al sintetizar contenido por partes durante un periodo prolongado, como una temporada de pódcast.

Voces, idiomas y regiones nuevos

Las 14 voces nuevas, por configuración regional, son: inglés de Estados Unidos (Kenneth, Nate), inglés australiano (Russell, Curtis), inglés de India (Kiara, Arjun), alemán (Tina), español de Estados Unidos (Carlos), portugués de Brasil (Leo, Carolina), coreano (Hyunduk), hindi (Kiara, Arjun) y finés (Suvi). AWS publicó guiones de ejemplo para las voces en hindi Arjun y Kiara y para la voz en finés Suvi, y afirmó que el hindi y el finés están disponibles de forma general en el motor Generative por primera vez.

Con estas incorporaciones, el catálogo Generative suma ahora, según AWS, 57 voces en 11 idiomas y 25 configuraciones regionales. Las 14 voces nuevas están disponibles en 11 regiones de AWS: Este de EE. UU. (Norte de Virginia), Oeste de EE. UU. (Oregón), Europa (Fráncfort), Europa (Zúrich), Europa (Londres), Asia-Pacífico (Sídney), Asia-Pacífico (Seúl), Asia-Pacífico (Singapur), Asia-Pacífico (Tokio), Canadá (Central) y AWS GovCloud (Oeste de EE. UU.). La incorporación a GovCloud (Oeste de EE. UU.) amplía el alcance del motor.

API, precios y limitaciones documentadas

Las integraciones existentes siguen funcionando sin cambios. La misma llamada a la API SynthesizeSpeech, con el parámetro engine establecido en generative, permite acceder a las voces actualizadas, y AWS afirmó que no se necesitan cambios en el código. Para las cargas de trabajo en tiempo real, la API de transmisión bidireccional StartSpeechSynthesisStream permite que una aplicación envíe texto a Amazon Polly en flujo mientras recibe audio sintetizado al mismo tiempo. AWS describió este patrón como especialmente adecuado para agentes de voz y personajes personalizados en juegos.

El precio no cambia. AWS afirmó que la actualización mejora la calidad y la precisión de las voces al precio actual, sin aumentos de costo, sin nuevos SKU y sin cambios en las integraciones existentes. También señaló que los clientes pueden almacenar en caché y reproducir indicaciones estáticas sintetizadas sin costo adicional. El motor Generative sigue admitiendo etiquetas del lenguaje de marcado para la síntesis de voz, que permiten controlar con precisión la salida.

Se mantienen varias limitaciones documentadas. Las marcas de voz siguen sin estar disponibles para las voces generativas; las voces estándar y neuronales, que no se ven afectadas por la actualización, continúan admitiéndolas. La guía para desarrolladores señala que el estilo de locutor de noticias no es compatible con el motor Generative, que la transmisión bidireccional solo está disponible en determinadas regiones y que las voces generativas utilizan de forma predeterminada una frecuencia de muestreo de 24 kHz y los formatos de salida MP3, OGG (Vorbis) y PCM sin procesar. La guía también describe un mecanismo integrado de parada de emergencia que detiene la generación de voz cuando el modelo muestra indicios de que podría alucinar, normalmente cerca del final de una frase. AWS advierte que esta protección reduce el riesgo, pero no lo elimina, y que, en casos extremos, el modelo puede cortar parte de una palabra o seguir generando contenido más allá del umbral de parada.

Disponibilidad y primeros usos por parte de clientes

Según AWS, las mejoras de calidad se aplican automáticamente a los flujos de los centros de contacto de Amazon Connect y Genesys. Los desarrolladores pueden trabajar con las voces desde la consola de administración de AWS, la interfaz de línea de comandos de AWS o los SDK de AWS, con el permiso de IAM polly:SynthesizeSpeech, y pueden llamar a DescribeVoices en el momento de la implementación para confirmar que una voz generativa seleccionada está disponible en la región donde se ejecuta una aplicación.

Justus Reinikainen, gerente de producto de Sanoma Media Finland, afirmó que la empresa utiliza Amazon Polly para convertir en audio sus artículos de noticias en tiempo real y que actualmente publica más de 10.000 artículos al mes con la voz neuronal finlandesa de Polly. Reinikainen señaló que, en las pruebas de la empresa, la nueva voz generativa Suvi suponía una mejora clara con respecto a la voz neuronal anterior y sonaba notablemente más natural para los oyentes.