AWS ने Amazon Polly के जनरेटिव इंजन में 14 नई आवाज़ें जोड़ीं

Amazon Web Services ने 22 अक्टूबर 2026 को Amazon Polly के जनरेटिव टेक्स्ट-टू-स्पीच इंजन का ऐसा उन्नत संस्करण आम तौर पर उपलब्ध कराया, जिसमें नौ लोकेल में 14 नई आवाज़ें जोड़ी गई हैं। इसके साथ ही पहली बार हिंदी और फ़िनिश में जनरेटिव आवाज़ें उपलब्ध हुई हैं। AWS Machine Learning Blog की एक पोस्ट में कंपनी ने बताया कि अपडेट किया गया इंजन कम विलंबता के साथ अधिक अभिव्यंजक और सटीक वाक् आउटपुट देता है और अब उत्पादन परिवेश में इस्तेमाल के लिए उपलब्ध है।

यह रिलीज़ मौजूदा जनरेटिव आवाज़ों के लिए सीधे लागू होने वाला अपग्रेड है: आवाज़ों के नाम और API कॉल में कोई बदलाव नहीं हुआ है, इसलिए पहले से इनका इस्तेमाल करने वाले ऐप्लिकेशन बिना किसी संशोधन के काम करते रहेंगे। AWS के अनुसार, Amazon Polly एक पूरी तरह प्रबंधित सेवा है, जो टेक्स्ट को स्वाभाविक सुनाई देने वाली वाणी में बदलती है। इसका इस्तेमाल संपर्क केंद्रों, बड़े भाषा मॉडलों पर आधारित एजेंटिक ऐप्लिकेशन, मीडिया और मनोरंजन, ई-लर्निंग, सुगम्यता और बड़े पैमाने पर विश्वसनीय वॉइस आउटपुट की ज़रूरत वाले अन्य कार्यभारों में किया जाता है।

वाक् गुणवत्ता और इंजन की संरचना

AWS ने बताया कि अपग्रेड की गई आवाज़ें बिना किसी मैन्युअल सेटअप के इनपुट टेक्स्ट के अनुसार भाव और स्वर-लय बदल सकती हैं। इस व्यवहार को दिखाने के लिए घोषणा में एक ही वाक्य—जिसमें बताया गया है कि एक पैकेज समय से पहले पहुँच गया—को तीन अलग-अलग अंदाज़ में पढ़ा गया है: एक तटस्थ, एक अनिश्चित और एक हैरान। इसके साथ नमूना ऑडियो भी दिया गया है। एक नमूने में Tiffany आवाज़ श्रोता का अभिवादन करके अपना परिचय Polly की जनरेटिव आवाज़ों में से एक के रूप में देती है; दूसरे में Kenneth आवाज़ ऑर्डर की पुष्टि पढ़कर सुनाती है। AWS के अनुसार, यह आवाज़ ट्रैकिंग नंबर, डिलीवरी की तारीख और समयावधि, मुद्रा में कुल राशि और सड़क का पता सटीक रूप से पढ़ती है।

Amazon Polly की डेवलपर गाइड में जनरेटिव इंजन को Amazon Polly का अब तक का सबसे बड़ा टेक्स्ट-टू-स्पीच मॉडल बताया गया है। इसमें एक अरब पैरामीटर वाला ट्रांसफ़ॉर्मर है, जो कच्चे टेक्स्ट को वाक् कोड में बदलता है, और एक कन्वोल्यूशन-आधारित डिकोडर है, जो इन कोड को क्रमिक रूप से, स्ट्रीम किए जा सकने वाले ढंग से वेवफ़ॉर्म में बदलता है। गाइड आगाह करती है कि यह तकनीक जनरेटिव AI के दायरे में आती है, इसलिए प्रशिक्षण डेटा और मॉडल में किए गए अपडेट से आवाज़ों की ध्वनि में थोड़ा बदलाव हो सकता है, भले ही कुल गुणवत्ता बेहतर हो जाए। लंबे समय तक अलग-अलग हिस्सों में संश्लेषित की जाने वाली सामग्री—जैसे पॉडकास्ट का एक सीज़न—के लिए यह बात ध्यान में रखना ज़रूरी है।

नई आवाज़ें, भाषाएँ और क्षेत्र

लोकेल के अनुसार, 14 नई आवाज़ें हैं: अमेरिकी अंग्रेज़ी (Kenneth, Nate), ऑस्ट्रेलियाई अंग्रेज़ी (Russell, Curtis), भारतीय अंग्रेज़ी (Kiara, Arjun), जर्मन (Tina), अमेरिकी स्पैनिश (Carlos), ब्राज़ीलियाई पुर्तगाली (Leo, Carolina), कोरियाई (Hyunduk), हिंदी (Kiara, Arjun) और फ़िनिश (Suvi)। AWS ने हिंदी आवाज़ों Arjun और Kiara तथा फ़िनिश आवाज़ Suvi के लिए नमूना स्क्रिप्टें प्रकाशित कीं। कंपनी ने बताया कि जनरेटिव इंजन पर हिंदी और फ़िनिश पहली बार आम तौर पर उपलब्ध हुई हैं।

AWS के मुताबिक, इन आवाज़ों के जुड़ने के बाद जनरेटिव कैटलॉग में अब 11 भाषाओं और 25 लोकेल में कुल 57 आवाज़ें हैं। 14 नई आवाज़ें AWS के 11 क्षेत्रों में उपलब्ध हैं: US East (उत्तरी वर्जीनिया), US West (ओरेगन), Europe (फ्रैंकफर्ट), Europe (ज़्यूरिख़), Europe (लंदन), Asia Pacific (सिडनी), Asia Pacific (सियोल), Asia Pacific (सिंगापुर), Asia Pacific (टोक्यो), Canada (मध्य) और AWS GovCloud (US-West)। GovCloud (US-West) में इस विस्तार से इंजन की उपलब्धता का दायरा बढ़ा है।

API, मूल्य निर्धारण और दस्तावेज़ में दर्ज सीमाएँ

मौजूदा इंटिग्रेशन पहले की तरह ही काम करते रहेंगे। engine पैरामीटर को generative पर सेट करने वाली वही SynthesizeSpeech API कॉल अब अपग्रेड की गई आवाज़ों तक पहुँच देती है। AWS ने बताया कि कोड में किसी बदलाव की ज़रूरत नहीं है। रियल-टाइम कार्यभारों के लिए, द्विदिशीय स्ट्रीमिंग API StartSpeechSynthesisStream ऐप्लिकेशन को Amazon Polly पर टेक्स्ट स्ट्रीम करने और उसी समय संश्लेषित ऑडियो वापस पाने की सुविधा देती है। AWS के अनुसार, यह तरीका वॉइस एजेंटों और गेम्स में विशेष रूप से बनाए गए किरदारों के लिए उपयुक्त है।

मूल्य पहले जैसा ही रहेगा। AWS ने बताया कि यह अपग्रेड मौजूदा कीमत पर वॉइस गुणवत्ता और सटीकता बेहतर करता है; इससे लागत नहीं बढ़ती, कोई नया SKU नहीं जुड़ता और मौजूदा इंटिग्रेशन में कोई बदलाव नहीं होता। ग्राहक संश्लेषित स्थिर संकेतों को बिना किसी अतिरिक्त शुल्क के कैश करके दोबारा चला सकते हैं। जनरेटिव इंजन आउटपुट पर बारीक नियंत्रण के लिए Speech Synthesis Markup Language टैग का समर्थन भी जारी रखता है।

दस्तावेज़ में दर्ज कई सीमाएँ अब भी लागू हैं। जनरेटिव आवाज़ों में स्पीच मार्क्स उपलब्ध नहीं हैं; अपग्रेड से अप्रभावित स्टैंडर्ड और न्यूरल आवाज़ों में इनका समर्थन जारी है। डेवलपर गाइड के अनुसार, जनरेटिव इंजन में न्यूज़कास्टर बोलने की शैली का समर्थन नहीं है, द्विदिशीय स्ट्रीमिंग केवल कुछ क्षेत्रों में उपलब्ध है और जनरेटिव आवाज़ों की डिफ़ॉल्ट सैंपलिंग दर 24 kHz है। आउटपुट फ़ॉर्मैट MP3, OGG (Vorbis) और रॉ PCM हैं। गाइड में एक अंतर्निहित आपातकालीन रोक तंत्र का भी वर्णन है, जो मॉडल में हैलुसिनेशन उत्पन्न होने की संभावना दिखने पर वाक् रेंडरिंग रोक देता है; ऐसा आम तौर पर वाक्य के अंत के पास होता है। AWS चेतावनी देता है कि यह सुरक्षा उपाय जोखिम को कम तो करता है, लेकिन पूरी तरह समाप्त नहीं करता। कुछ असामान्य मामलों में मॉडल किसी शब्द का एक हिस्सा काट सकता है या रुकने की सीमा पार करने के बाद भी सामग्री बनाना जारी रख सकता है।

उपलब्धता और शुरुआती ग्राहकों का इस्तेमाल

AWS के अनुसार, गुणवत्ता में हुए सुधार Amazon Connect और Genesys के संपर्क केंद्र वर्कफ़्लो में अपने आप उपलब्ध हो जाते हैं। डेवलपर AWS Management Console, AWS Command Line Interface या AWS SDKs के ज़रिए इन आवाज़ों का इस्तेमाल कर सकते हैं। इसके लिए polly:SynthesizeSpeech IAM अनुमति का उपयोग किया जाता है। वे डिप्लॉयमेंट के समय DescribeVoices को कॉल करके यह पुष्टि भी कर सकते हैं कि चुनी गई जनरेटिव आवाज़ उस क्षेत्र में उपलब्ध है जहाँ ऐप्लिकेशन चलता है।

Sanoma Media Finland के प्रोडक्ट मैनेजर Justus Reinikainen ने बताया कि कंपनी अपने रीयल-टाइम समाचार लेखों को ऑडियो में बदलने के लिए Amazon Polly का इस्तेमाल करती है और फिलहाल Polly की फ़िनिश न्यूरल आवाज़ के साथ हर महीने 10,000 से अधिक लेख प्रकाशित करती है। Reinikainen ने कहा कि कंपनी के परीक्षण में Suvi की नई जनरेटिव आवाज़ पिछली न्यूरल आवाज़ से स्पष्ट रूप से बेहतर थी और श्रोताओं को काफ़ी अधिक स्वाभाविक लगी।