AI-mallit ja alustat

Amazon Polly tuo rajatun pääsyn puheäänen kloonaukseen brändin omia puheääniä varten

Aiden Cross
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatKloonatut äänet pysyvät lukittuina niiden luoneeseen tiliin ja alueeseen, joten…
Näytä lisää
  • Kloonatut äänet pysyvät lukittuina niiden luoneeseen tiliin ja alueeseen, joten alueiden välinen käyttö edellyttää uudelleenrakentamista samoista tallenteista.
  • Polly hylkää lähdetallenteet äänen rakentamisen jälkeen ja säilyttää vain salattua äänidataa poistamiseen asti.
  • Kloonattu ääni perii yhden esitystyylin tallenteistaan eikä voi yhdistää useita emotionaalisia ottoja.

Amazon Web Services ilmoitti Amazon Polly -palvelun julkaisusta 19. marraskuuta 2026 ja toi puheäänen kloonauksen yleisesti saataville rajattuna julkaisuna. Hyväksytyt AWS-tilit voivat luoda mukautettuja tekstistä puheeksi -puheääniä yhden suostumuksensa antaneen puhujan tallenteista. Julkaisuvaiheessa tuetaan seitsemää kieltä.

Käyttöoikeus otetaan käyttöön AWS-tilikohtaisesti. Tietyillä Polly-asiakkailla se on jo käytössä, ja muut voivat ottaa yhteyttä AWS-tilitiimiinsä tai hakea käyttöoikeutta. Kloonatun äänen luominen on maksutonta; synteettisestä äänestä veloitetaan käytön mukaan. Ominaisuus on käytettävissä samoilla AWS-alueilla kuin Pollyn generatiivinen moottori, myös AWS GovCloud (US-West) -alueella.

Kloonatut äänet toimivat tämän moottorin varassa. AWS:n mukaan se tuottaa luonnollisuudeltaan ja tarkkuudeltaan muiden generatiivisten äänten kaltaisia tuloksia. Tuettuja kieliä ovat englanti, espanja, saksa, ranska, italia, portugali ja hindi, mutta kukin ääni pystyy puhumaan vain sillä kielellä, jolla se on tallennettu. Ääni säilyy myös sillä tilillä ja alueella, jolla se luotiin. Sen käyttö toisella alueella tai toisella tilillä edellyttää äänen luomista uudelleen samoista tallenteista, ja puhujan suostumuksen on katettava jokainen kopio.

Puheäänen luominen tallenteista

Yrityksille tärkein käyttötapaus on yhtenäisen äänen käyttäminen puhelinjärjestelmissä, puheagenteissa, mobiilisovelluksissa, myymäläkuulutuksissa, mainonnassa ja verkkoon liitetyissä laitteissa. Ominaisuus sopii myös yhteyskeskusten kehotteisiin ja pidempään sisältöön, kuten äänikirjoihin, kursseihin ja podcasteihin. Kun organisaation käsikirjoitukset muuttuvat, käytännön hyötynä on mahdollisuus tuottaa uutta äänisisältöä vakiintuneella äänellä ilman, että jokaista versiota varten tarvitsee järjestää uusi äänityssessio.

Puheäänen luomiseksi asiakas lähettää 1–10 yhden puhujan tallennetta, joiden yhteenlaskettu kesto on enintään 15 minuuttia. AWS suosittelee 2–10 minuuttia luonnollista puhetta ja toteaa, että äänenlaatu on kestoa tärkeämpää. Tiedostot voi ladata konsolin kautta tai sisällyttää CreateVoice tai toimittaa kohdealueen Amazon S3 -säilöstä. Pyynnössä on ilmoitettava myös tallenteen kieli ja TermsAccepted=True.

Rajapinta palauttaa äänitunnisteen heti ja luo sen jälkeen äänen asynkronisesti, yleensä 5–10 minuutissa, samalla kun se tarkistaa puhujan samankaltaisuuden. Valmis ääni voi tuottaa reaaliaikaista ääntä käyttämällä SynthesizeSpeech tai S3:een tallennettavaa pitkäkestoista äänisisältöä käyttämällä StartSpeechSynthesisTask. Koska luominen kestää minuutteja, AWS suosittelee käsittelemään sitä ennakkoon tehtävänä valmisteluna eikä osana käynnissä olevaa käyttäjäpyyntöä.

Asiakkaiden kiintiö on aluksi 10 kloonattua ääntä tiliä ja aluetta kohden. CreateVoice ja DeleteVoice niillä on yhteinen yhden pyynnön sekuntikohtainen rajoitus, joten useita ääniä luotaessa tai poistettaessa pyynnöt on asetettava jonoon.

Suostumuksen ja tietoturvan hallintakeinot

Ehtojen hyväksymisvaiheessa asiakas vahvistaa hankkineensa kaikki äänen luomiseen ja käyttöön tarvittavat oikeudet ja suostumukset. Polly lisää vesileiman kloonatulla äänellä tuotettuun synteettiseen ääneen, ja käyttöoikeus rajataan äänen luoneeseen AWS-tiliin AWS Identity and Access Managementin avulla. Asiakkaat voivat lisätä ääniin tunnisteita ja salata ne omalla AWS Key Management Service -avaimellaan.

Luomisen jälkeen Polly ei säilytä hallussaan olevaa kopiota lähdetallenteista eikä käytä niitä Amazon Polly -mallien kouluttamiseen. Se säilyttää vain äänen tuottamiseen tarvittavat äänitiedot, jotka tallennetaan salattuina poistamiseen asti; DeleteVoice poistaa nämä tiedot välittömästi. AWS suosittelee säilyttämään kirjaa suostumuksesta, poistamaan äänen suostumuksen peruuntuessa, kertomaan kuulijoille tarvittaessa, että he kuulevat synteettistä puhetta, sekä rajaamaan äänten käyttöoikeudet vain niitä tarvitseville henkilöille ja järjestelmille.

Äänityksen laatu ja tulosteen rajoitukset

Suositeltu tallennusmuoto on mono-WAV, 16-bittinen ja näytteenottotaajuudeltaan 24 kHz. Tallenne tulee tehdä yhdestä puhujasta hiljaisessa huoneessa. Klooni voi oppia mukaan tuulettimen melun, huoneen kaiun ja kokoussovelluksen äänikäsittelyn. Myös tuettujen kielten muut aksentit, kuten brittiläinen englanti tai kanadanranska, voivat toimia, mutta niitä on testattu vähemmän. Siksi ääni on tärkeää testata asiakkaan omalla sisällöllä.

Kloonattu ääni omaksuu tallenteiden puhetyylin, eikä siinä voi yhdistää useita tyylejä. Siksi iloisella, surullisella ja vihaisella tyylillä tehdyt tallenteet eivät tuota yhtä ääntä, joka osaisi kaikki kolme tyyliä. Sama teksti voi kuulostaa hieman erilaiselta eri synteesipyynnöissä. Puhelinlinjan tervehdyksen kaltaisia vakiokehotteita varten AWS suosittelee äänen tuottamista kerran, puhujan ja bränditiimin hyväksynnän hankkimista ja tallennetun tiedoston käyttämistä. Tuotantokäsikirjoitukset on testattava nimillä, numeroilla, osoitteilla ja pitkillä lauseilla ennen käyttöönottoa.

Yrityksille julkaisu tuo uudelleenkäytettävän puheäänen osaksi AWS-sovelluspinoa, johon kuuluvat synteesirajapinnat, salaus ja palvelukiintiöt. Käytännön työ ei enää rajoitu puheen tuottamiseen, vaan siihen kuuluu myös suostumusten, käyttöoikeuksien, alueellisten kopioiden ja kuulijoille päätyvän äänisisällön hyväksynnän hallinta.

Aiden Cross on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa tekoälytuotteiden strategian, toteutuksen ja käytännön haasteet, joita liittyy kokeellisten mallien muuttamiseen skaalattaviksi, markkinoille valmiiksi tuotteiksi. Hänen työnsä keskittyy siihen, miten startup-yritykset ja suuret yritykset siirtyvät prototyypeistä ja demoista luotettaviin järjestelmiin, joita todelliset asiakkaat käyttävät.
Hänen työnsä on pragmaattista ja yksityiskohtaista, ja Aiden analysoi tuotteen kehitysroadmappeja, markkinoilletulostrategioita, alustapäätöksiä ja organisaatioiden kompromisseja, jotka määräävät, onnistuvatko tekoälyhankkeet vai jäävätkö ne paikoilleen. Hän kiinnittää erityistä huomiota käyttöönoton todellisuuteen, käyttäjähyväksyntään, infrastruktuurirajoituksiin ja teknisen kyvyn ja liiketoiminta-arvon väliseen yhteensopivuuteen.
Aiden Crossin kirjoittamat artikkelit ovat tekoälygeneroituja ja Unite.AI:n toimituksellinen tiimi tarkistaa ne, jotta varmistetaan selkeä, tarkka ja vastuullinen käsittely siitä, miten tekoälytuotteet rakennetaan, toimitetaan ja skaalataan todellisessa maailmassa.