AI-mallit ja alustat
AWS päivittää Amazon Pollyn generatiivista puhesynteesimoottoria lisäämällä siihen 14 uutta ääntä
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Amazon Web Services julkaisi 22. lokakuuta 2026 yleisesti saataville päivityksen Amazon Polly -generatiiviseen puhesynteesimoottoriin. Päivitys tuo 14 uutta ääntä yhdeksälle kielialueelle ja generatiiviset äänet ensimmäistä kertaa hindiksi ja suomeksi. Yhtiö kuvaili päivitettyä moottoria AWS:n koneoppimisblogikirjoituksessa: se tuottaa aiempaa ilmaisuvoimaisempaa ja tarkempaa puhetta pienellä viiveellä, ja on nyt käytettävissä tuotannossa.
Päivitys on suoraan käyttöönotettava nykyisille generatiivisille äänille: äänien nimet ja API-kutsut pysyvät ennallaan, joten niitä jo käyttävät sovellukset toimivat edelleen ilman muutoksia. AWS kuvailee Amazon Pollya täysin hallinnoiduksi palveluksi, joka muuntaa tekstin luonnollisen kuuloiseksi puheeksi. Palvelua käytetään yhteyskeskuksissa, suuriin kielimalleihin perustuvissa agenttisissa sovelluksissa, mediassa ja viihteessä, verkko-oppimisessa, esteettömyysratkaisuissa sekä muissa käyttökohteissa, joissa tarvitaan luotettavaa puheentuottoa suuressa mittakaavassa.
Puheen laatu ja moottorin rakenne
AWS:n mukaan päivitetyt äänet pystyvät mukauttamaan tunnetta ja prosodiaa syötetekstin mukaan ilman manuaalisia asetuksia. Yhtiö havainnollistaa tätä lukemalla saman, paketin aikaista saapumista käsittelevän virkkeen kolmella tavalla — neutraalisti, epävarmasti ja yllättyneesti — sekä esimerkkiaudiolla. Yhdessä näytteessä Tiffany-ääni tervehtii kuulijaa ja esittelee itsensä yhdeksi Pollyn generatiivisista äänistä. Toisessa Kenneth-ääni lukee tilausvahvistuksen, jonka se AWS:n mukaan esittää tarkasti: siinä ovat seurantanumero, toimituspäivä ja -aikaväli, kokonaissumma valuuttoineen sekä katuosoite.
Amazon Polly -kehittäjän opas kuvailee Generative-moottoria Amazon Polly -palvelun tähän mennessä suurimmaksi tekstistä puheeksi -malliksi. Siinä yhdistyvät miljardin parametrin transformer, joka muuntaa raakatekstin puhekoodeiksi, ja konvoluutioihin perustuva dekooderi, joka muuntaa koodit aaltomuodoiksi vaiheittain ja suoratoistettavassa muodossa. Oppaassa huomautetaan, että koska teknologia kuuluu generatiivisen tekoälyn piiriin, koulutusdatan ja mallin päivitykset voivat aiheuttaa pieniä muutoksia äänten soinnissa, vaikka yleinen laatu parantuisi. Tämä on huomionarvoista, kun sisältöä syntetisoidaan osissa pitkän ajan kuluessa, esimerkiksi podcast-kauden aikana.
Uudet äänet, kielet ja alueet
Uudet 14 ääntä kielialueittain ovat amerikanenglanti (Kenneth, Nate), australianenglanti (Russell, Curtis), intianenglanti (Kiara, Arjun), saksa (Tina), amerikanespanja (Carlos), brasilianportugali (Leo, Carolina), korea (Hyunduk), hindi (Kiara, Arjun) ja suomi (Suvi). AWS julkaisi esimerkkitekstit hindinkielisille äänille Arjunille ja Kiaralle sekä suomenkieliselle Suville. Yhtiön mukaan hindi ja suomi ovat nyt ensimmäistä kertaa yleisesti saatavilla Generative-moottorissa.
AWS:n mukaan uusien äänten myötä Generative-valikoimassa on nyt yhteensä 57 ääntä 11 kielellä ja 25 kielialueella. Uudet 14 ääntä ovat saatavilla 11 AWS-alueella: Yhdysvaltain itäosa (Pohjois-Virginia), Yhdysvaltain länsiosa (Oregon), Eurooppa (Frankfurt), Eurooppa (Zürich), Eurooppa (Lontoo), Aasian ja Tyynenmeren alue (Sydney), Aasian ja Tyynenmeren alue (Soul), Aasian ja Tyynenmeren alue (Singapore), Aasian ja Tyynenmeren alue (Tokio), Kanada (keskinen alue) ja AWS GovCloud (US-West). GovCloud (US-West) -alueen lisääminen laajentaa moottorin maantieteellistä kattavuutta.
APIt, hinnoittelu ja dokumentoidut rajoitukset
Nykyiset integraatiot toimivat edelleen ennallaan. Päivitetyt äänet saa käyttöön samalla SynthesizeSpeech-API-kutsulla, kun moottoriparametrin arvoksi asetetaan generative. AWS:n mukaan koodiin ei tarvitse tehdä muutoksia. Reaaliaikaisissa käyttökohteissa kaksisuuntainen suoratoisto-API StartSpeechSynthesisStream antaa sovelluksen lähettää tekstiä Amazon Pollylle ja vastaanottaa samalla syntetisoitua ääntä. AWS:n mukaan tämä sopii hyvin puheagenteille ja peleihin suunnitelluille yksilöllisille hahmoille.
Hinnoittelu pysyy ennallaan. AWS:n mukaan päivitys parantaa äänen laatua ja tarkkuutta nykyisellä hinnalla: kustannukset eivät nouse, uusia SKU-tuotteita ei tule eikä nykyisiin integraatioihin tehdä muutoksia. Asiakkaat voivat lisäksi tallentaa välimuistiin ja toistaa syntetisoituja staattisia kehotteita ilman lisäkustannuksia. Generative-moottori tukee edelleen Speech Synthesis Markup Language -merkintöjä, joilla tulostetta voi hallita tarkasti.
Useat dokumentoidut rajoitukset ovat edelleen voimassa. Puhemerkit eivät ole yhä käytettävissä generatiivisilla äänillä; päivitys ei vaikuta vakio- ja neuroverkkopohjaisiin ääniin, jotka tukevat niitä edelleen. Kehittäjän oppaan mukaan Generative-moottori ei tue uutisankkurin puhetyyliä, kaksisuuntainen suoratoisto on käytettävissä vain tietyillä alueilla ja generatiivisten äänten oletusnäytteenottotaajuus on 24 kHz. Tulostusmuotoja ovat MP3, OGG (Vorbis) ja raakamuotoinen PCM. Oppaassa kuvataan myös sisäänrakennettu hätäpysäytysmekanismi, joka keskeyttää puheen tuottamisen, jos malli vaikuttaa olevan vaarassa hallusinoida, tavallisesti virkkeen loppupuolella. AWS varoittaa, että suojatoimi pienentää riskiä mutta ei poista sitä: poikkeustapauksissa malli voi katkaista osan sanasta tai jatkaa sisällön tuottamista pysäytyskynnyksen ylitettyään.
Saatavuus ja asiakkaiden varhaiset käyttökokemukset
AWS:n mukaan laadun parannukset tulevat automaattisesti käyttöön Amazon Connectin ja Genesysin yhteyskeskusprosesseissa. Kehittäjät voivat käyttää ääniä AWS Management Consolen, AWS Command Line Interfacen tai AWS SDK:iden kautta polly:SynthesizeSpeech-IAM-käyttöoikeudella. Käyttöönoton yhteydessä he voivat kutsua DescribeVoices-toimintoa ja varmistaa, että valittu generatiivinen ääni on saatavilla sillä alueella, jolla sovellus toimii.
Sanoma Media Finlandin tuotepäällikkö Justus Reinikainen kertoi, että yritys käyttää Amazon Pollyä muuntaakseen reaaliaikaiset uutisartikkelinsa ääneksi ja julkaisee tällä hetkellä Pollyn suomenkielisellä neuroäänellä yli 10 000 artikkelia kuukaudessa. Reinikaisen mukaan yrityksen testeissä Suvin uusi generatiivinen ääni oli selkeä parannus aiempaan neuroääneen verrattuna ja kuulosti kuuntelijoista huomattavasti luonnollisemmalta.
