एआई मॉडल और प्लेटफ़ॉर्म
Amazon Polly ने ब्रांड के लिए कस्टम आवाज़ों की नियंत्रित वॉइस क्लोनिंग शुरू की

मुख्य बिंदुक्लोन की गई आवाज़ें अपने बनाने वाले खाते और क्षेत्र से बंधी रहती हैं, इसलिए क्षेत्र-पार…
और देखें
- क्लोन की गई आवाज़ें अपने बनाने वाले खाते और क्षेत्र से बंधी रहती हैं, इसलिए क्षेत्र-पार उपयोग के लिए उन्हीं रिकॉर्डिंग्स से पुनः निर्माण करना आवश्यक है।
- पॉली आवाज़ बनाने के बाद स्रोत रिकॉर्डिंग्स को हटा देता है और हटाने तक केवल एन्क्रिप्टेड आवाज़ डेटा रखता है।
- क्लोन की गई आवाज़ अपनी रिकॉर्डिंग्स से एक वितरण शैली प्राप्त करती है और कई भावनात्मक टेक को मिला नहीं सकती।
Amazon Web Services ने Amazon Polly की रिलीज़ की घोषणा 19 नवंबर 2026 को की। इसके साथ वॉइस क्लोनिंग नियंत्रित पहुँच वाली रिलीज़ के रूप में आम तौर पर उपलब्ध हो गई। AWS के स्वीकृत खाते एक सहमति देने वाले वक्ता की रिकॉर्डिंग से टेक्स्ट-टू-स्पीच के लिए कस्टम आवाज़ें बना सकते हैं। शुरुआत में सात भाषाएँ उपलब्ध हैं।
हर AWS खाते के लिए पहुँच सक्रिय की जाती है। Polly के कुछ ग्राहकों को यह सुविधा पहले से उपलब्ध है, जबकि अन्य अपने AWS खाता दल से संपर्क कर सकते हैं या इसके लिए आवेदन कर सकते हैं। क्लोन की गई आवाज़ बनाना मुफ़्त है; संश्लेषित ऑडियो के लिए उपयोग के अनुसार भुगतान करना होता है। यह सुविधा Polly के जनरेटिव इंजन वाले उन्हीं AWS क्षेत्रों में उपलब्ध है, जिनमें AWS GovCloud (US-West) भी शामिल है।
क्लोन की गई आवाज़ें इसी इंजन पर काम करती हैं। AWS के अनुसार, यह इंजन स्वाभाविकता और सटीकता के मामले में उसकी अन्य जनरेटिव आवाज़ों जैसी गुणवत्ता देता है। अंग्रेज़ी, स्पेनिश, जर्मन, फ़्रेंच, इतालवी, पुर्तगाली और हिंदी उपलब्ध हैं, लेकिन हर आवाज़ केवल उसी भाषा में बोलती है जिसमें उसकी रिकॉर्डिंग की गई थी। आवाज़ उसी खाते और क्षेत्र में भी रहती है जहाँ उसे बनाया गया था। किसी दूसरे क्षेत्र या खाते में इस्तेमाल के लिए उन्हीं रिकॉर्डिंग से उसे दोबारा बनाना होगा और वक्ता की सहमति हर प्रति पर लागू होनी चाहिए।
रिकॉर्डिंग से आवाज़ बनाना
उद्यमों के लिए इसका मुख्य उपयोग फ़ोन प्रणालियों, वॉइस एजेंटों, मोबाइल ऐप्स, दुकानों में घोषणाओं, विज्ञापन और कनेक्टेड डिवाइसों में एक जैसी आवाज़ का इस्तेमाल करना है। यह सुविधा संपर्क केंद्रों के संदेशों और ऑडियोबुक, पाठ्यक्रम तथा पॉडकास्ट जैसी लंबी सामग्री के लिए भी उपयोगी है। जिन संगठनों की स्क्रिप्ट बदलती रहती हैं, उनके लिए इसका व्यावहारिक लाभ यह है कि हर संशोधन के लिए नया रिकॉर्डिंग सत्र आयोजित किए बिना, पहले से तय आवाज़ में नया ऑडियो तैयार किया जा सकता है।
आवाज़ बनाने के लिए ग्राहक एक ही वक्ता की 1–10 रिकॉर्डिंग जमा करता है, जिनमें कुल ऑडियो अवधि अधिकतम 15 मिनट हो सकती है। AWS 2–10 मिनट का स्वाभाविक भाषण रिकॉर्ड करने की सलाह देता है और कहता है कि अवधि से ज़्यादा गुणवत्ता मायने रखती है। फ़ाइलें कंसोल के ज़रिए अपलोड की जा सकती हैं, इनमें शामिल की जा सकती हैं CreateVoice या लक्षित क्षेत्र में मौजूद Amazon S3 बकेट से दी जा सकती हैं। अनुरोध में रिकॉर्डिंग की भाषा और TermsAccepted=True.
API तुरंत एक वॉइस ID लौटाता है, फिर आवाज़ को असमकालिक रूप से तैयार करता है। इसमें आम तौर पर 5–10 मिनट लगते हैं और इस दौरान वक्ता की आवाज़ से समानता की जाँच की जाती है। तैयार आवाज़ से रीयल-टाइम ऑडियो तैयार किया जा सकता है SynthesizeSpeech या S3 में लिखे जाने वाले लंबे ऑडियो के लिए StartSpeechSynthesisTaskआवाज़ बनाने में कई मिनट लगते हैं, इसलिए AWS सलाह देता है कि इसे लाइव उपयोगकर्ता के अनुरोध का हिस्सा बनाने के बजाय पहले से पूरी की जाने वाली तैयारी का चरण माना जाए।
ग्राहकों को शुरुआत में हर खाते और क्षेत्र के लिए 10 क्लोन की गई आवाज़ों की सीमा मिलती है। CreateVoice और DeleteVoice की साझा सीमा प्रति सेकंड एक अनुरोध है, इसलिए बड़ी संख्या में आवाज़ें बनाने और हटाने के अनुरोधों को कतार में रखना होगा।
सहमति और सुरक्षा नियंत्रण
शर्तें स्वीकार करने के चरण से यह पुष्टि होती है कि ग्राहक ने आवाज़ बनाने और उसका उपयोग करने के लिए ज़रूरी सभी अधिकार और सहमतियाँ प्राप्त कर ली हैं। क्लोन की गई आवाज़ से बने संश्लेषित ऑडियो में Polly वॉटरमार्क जोड़ता है, और पहुँच AWS Identity and Access Management के ज़रिए आवाज़ बनाने वाले AWS खाते तक सीमित रहती है। ग्राहक आवाज़ों पर टैग लगा सकते हैं और उन्हें अपनी AWS Key Management Service कुंजी से एन्क्रिप्ट कर सकते हैं।
आवाज़ बनने के बाद Polly स्रोत रिकॉर्डिंग की अपनी प्रति नहीं रखता और न ही उनका इस्तेमाल Amazon Polly के मॉडल को प्रशिक्षित करने के लिए करता है। वह केवल संश्लेषण के लिए ज़रूरी आवाज़ का डेटा रखता है, जिसे हटाए जाने तक एन्क्रिप्ट करके संग्रहीत किया जाता है; DeleteVoice यह उस डेटा को तुरंत हटा देता है। AWS सहमति का रिकॉर्ड रखने, सहमति वापस लिए जाने पर आवाज़ हटाने, जहाँ उचित हो वहाँ श्रोताओं को यह बताने कि वे कृत्रिम वाणी सुन रहे हैं, और आवाज़ के इस्तेमाल की अनुमति केवल ज़रूरी लोगों तथा प्रणालियों तक सीमित रखने की सलाह देता है।
रिकॉर्डिंग की गुणवत्ता और आउटपुट की सीमाएँ
अनुशंसित रिकॉर्डिंग फ़ॉर्मैट मोनो, 16-बिट WAV, 24 kHz है। इसे शांत कमरे में एक ही वक्ता की आवाज़ रिकॉर्ड करके तैयार करना चाहिए। पंखे का शोर, कमरे की गूँज और मीटिंग ऐप की ऑडियो प्रोसेसिंग जैसी चीज़ें क्लोन सीख सकता है। समर्थित भाषाओं के अन्य लहजे, जैसे ब्रिटिश अंग्रेज़ी या कनाडाई फ़्रेंच, काम कर सकते हैं, लेकिन उनकी जाँच कम हुई है। इसलिए ग्राहक की अपनी सामग्री के साथ आवाज़ को परखना ज़रूरी है।
क्लोन की गई आवाज़ रिकॉर्डिंग की बोलने की शैली भी अपनाती है और कई शैलियों को मिलाकर नहीं बोल सकती। इसलिए उत्साहित, उदास और गुस्से वाले अंदाज़ में की गई रिकॉर्डिंग से ऐसी एक आवाज़ नहीं बनेगी जो इन तीनों शैलियों में बोल सके। एक ही पाठ अलग-अलग संश्लेषण अनुरोधों में थोड़ा अलग सुनाई दे सकता है। फ़ोन पर स्वागत संदेश जैसे तय संदेशों के लिए AWS सलाह देता है कि ऑडियो एक बार तैयार करके वक्ता और ब्रांड दल से मंज़ूरी लें, फिर सहेजी गई फ़ाइल का इस्तेमाल करें। तैनाती से पहले उत्पादन स्क्रिप्ट में नामों, संख्याओं, पतों और लंबे वाक्यों को परखना चाहिए।
उद्यमों के लिए, इस रिलीज़ से दोबारा इस्तेमाल की जा सकने वाली आवाज़ AWS एप्लिकेशन स्टैक का हिस्सा बन जाती है, जिसके साथ संश्लेषण API, एन्क्रिप्शन और सेवा उपयोग-सीमाएँ जुड़ी होती हैं। अब संचालन का काम केवल वाणी तैयार करने तक सीमित नहीं है; इसमें सहमति, पहुँच, क्षेत्रीय प्रतियों और श्रोताओं तक पहुँचने वाले ऑडियो की मंज़ूरी का प्रबंधन भी शामिल है।












