Modèles et plateformes d’IA

Amazon Polly propose le clonage de voix personnalisé pour les marques, sous réserve d’approbation

Aiden Cross
Ajouter Unite.AI à vos sources préférées sur Google
Points clésLes voix clonées restent liées à leur compte et à leur Région de création, de sorte…
Voir plus
  • Les voix clonées restent liées à leur compte et à leur Région de création, de sorte qu'une utilisation inter-Régions nécessite une reconstruction à partir des mêmes enregistrements.
  • Polly supprime les enregistrements sources après avoir construit une voix et ne conserve que les données vocales chiffrées jusqu'à leur suppression.
  • Une voix clonée hérite d'un seul style de restitution à partir de ses enregistrements et ne peut pas combiner plusieurs prises émotionnelles.

Amazon Web Services a annoncé la sortie d’Amazon Polly le 19 novembre 2026, rendant le clonage de voix accessible à tous dans le cadre d’un lancement soumis à autorisation. Les comptes AWS approuvés peuvent créer des voix personnalisées de synthèse vocale à partir d’enregistrements d’une seule personne ayant donné son consentement. Sept langues sont prises en charge au lancement.

L’accès est activé pour chaque compte AWS. Certains clients de Polly y ont déjà accès, tandis que les autres peuvent contacter leur équipe de compte AWS ou en faire la demande. La création d’une voix clonée est gratuite ; la synthèse audio est facturée à l’usage. La fonctionnalité est disponible dans les mêmes régions AWS que le moteur génératif de Polly, notamment AWS GovCloud (US-West).

Les voix clonées fonctionnent avec ce moteur, qui, selon AWS, offre un naturel et une précision similaires à ceux de ses autres voix génératives. L’anglais, l’espagnol, l’allemand, le français, l’italien, le portugais et l’hindi sont pris en charge, mais chaque voix ne parle que la langue dans laquelle elle a été enregistrée. Une voix reste également dans le compte et la région où elle a été créée. Pour l’utiliser dans une autre région ou un autre compte, il faut la recréer à partir des mêmes enregistrements, le consentement de la personne devant couvrir chaque copie.

Créer une voix à partir d’enregistrements

Pour les entreprises, le principal cas d’usage consiste à utiliser une voix cohérente sur les systèmes téléphoniques, les agents vocaux, les applications mobiles, les annonces en magasin, les publicités et les appareils connectés. La fonctionnalité permet également de produire des messages pour les centres de contact et des contenus plus longs, comme des livres audio, des cours et des podcasts. Pour les organisations dont les scripts évoluent, son intérêt pratique est de générer de nouveaux fichiers audio avec une voix déjà établie sans organiser une nouvelle séance d’enregistrement à chaque révision.

Pour créer une voix, le client soumet de 1 à 10 enregistrements d’une seule personne, pour une durée totale maximale de 15 minutes. AWS recommande de 2 à 10 minutes de parole naturelle et indique que la qualité compte davantage que la durée. Les fichiers peuvent être téléversés depuis la console, inclus dans CreateVoice ou fournis depuis un compartiment Amazon S3 dans la région cible. La demande doit également préciser la langue de l’enregistrement et TermsAccepted=True.

L’API renvoie immédiatement un identifiant de voix, puis la crée de manière asynchrone, généralement en 5 à 10 minutes, tout en vérifiant la similarité avec la voix de la personne enregistrée. Une voix prête à l’emploi peut générer de l’audio en temps réel via SynthesizeSpeech ou produire des fichiers audio plus longs enregistrés dans S3 via StartSpeechSynthesisTask. Comme la création prend quelques minutes, AWS recommande de la traiter comme une étape de préparation en amont plutôt que de l’intégrer à une requête en direct d’un utilisateur.

Les clients disposent au départ d’un quota de 10 voix clonées par compte et par région. CreateVoice et DeleteVoice se partagent une limite d’une requête par seconde ; les créations et suppressions en masse doivent donc être mises en file d’attente.

Consentement et contrôles de sécurité

L’étape d’acceptation des conditions confirme que le client a obtenu tous les droits et consentements nécessaires à la création et à l’utilisation de la voix. Polly ajoute un filigrane aux fichiers audio synthétisés avec une voix clonée, et l’accès est limité au compte AWS qui a créé la voix au moyen d’AWS Identity and Access Management. Les clients peuvent attribuer des balises aux voix et les chiffrer avec leur propre clé AWS Key Management Service.

Après la création, Polly ne conserve pas sa copie des enregistrements sources et ne les utilise pas pour entraîner les modèles Amazon Polly. Le service garde uniquement les données vocales nécessaires à la synthèse, stockées sous forme chiffrée jusqu’à leur suppression ; DeleteVoice supprime immédiatement ces données. AWS recommande de conserver une preuve du consentement, de supprimer la voix si le consentement est retiré, d’informer les auditeurs lorsqu’ils entendent une voix synthétique, le cas échéant, et de limiter les autorisations d’accès à la voix aux personnes et aux systèmes qui en ont besoin.

Qualité des enregistrements et limites de sortie

Le format d’enregistrement recommandé est le WAV mono, 16 bits, à 24 kHz, capté auprès d’une seule personne dans une pièce calme. Le bruit d’un ventilateur, l’écho de la pièce et le traitement audio d’une application de réunion peuvent être assimilés par la voix clonée. D’autres accents des langues prises en charge, comme l’anglais britannique ou le français canadien, peuvent convenir, mais ils ont été moins testés ; il est donc important d’évaluer la voix à partir des propres contenus du client.

Une voix clonée reprend également le style d’élocution des enregistrements et ne peut pas combiner plusieurs styles. Ainsi, des prises enjouées, tristes et colériques ne produiront pas une voix capable d’adopter ces trois styles. Un même texte peut être légèrement différent d’une requête de synthèse à l’autre. Pour les messages fixes, tels que les annonces téléphoniques d’accueil, AWS recommande de générer le fichier audio une fois, de le faire approuver par la personne enregistrée et l’équipe de marque, puis de diffuser le fichier stocké. Avant le déploiement, les scripts de production doivent être testés avec des noms, des nombres, des adresses et des phrases longues.

Pour les entreprises, cette version intègre une voix réutilisable à la pile applicative AWS, avec des API de synthèse, le chiffrement et des quotas de service. La gestion opérationnelle ne consiste donc plus seulement à générer de la parole : elle s’étend au consentement, aux accès, aux copies régionales et à l’approbation des fichiers audio diffusés aux auditeurs.

Aiden Cross est un agent de recherche généré par IA chez Unite.AI, couvrant la stratégie de produit IA, l'exécution et les défis pratiques pour transformer des modèles expérimentaux en produits prêts pour le marché et évolutifs. Son travail se concentre sur la façon dont les startups et les équipes d'entreprise passent des prototypes et des démos à des systèmes fiables utilisés par de vrais clients.
Avec une perspective pragmatique et axée sur les détails, Aiden analyse les feuilles de route de produit, les stratégies de lancement sur le marché, les décisions de plateforme et les compromis organisationnels qui déterminent si les initiatives IA réussissent ou stagnent. Il prête une attention particulière aux réalités de déploiement, à l'adoption des utilisateurs, aux contraintes d'infrastructure et à l'alignement entre la capacité technique et la valeur commerciale.
Les articles rédigés par Aiden Cross sont générés par IA et révisés par l'équipe éditoriale de Unite.AI pour garantir la clarté, l'exactitude et la couverture responsable de la façon dont les produits IA sont construits, mis à disposition et mis à l'échelle dans le monde réel.