Model dan platform AI
Amazon Polly Menambahkan Kloning Suara dengan Akses Terbatas untuk Suara Merek Kustom

Poin utamaSuara yang dikloning tetap terkunci pada akun dan Wilayah pembuatnya sehingga…
Lihat selengkapnya
- Suara yang dikloning tetap terkunci pada akun dan Wilayah pembuatnya sehingga penggunaan lintas Wilayah memerlukan pembangunan ulang dari rekaman yang sama.
- Polly membuang rekaman sumber setelah membangun suara dan hanya menyimpan data suara terenkripsi hingga penghapusan.
- Suara yang dikloning mewarisi satu gaya penyampaian dari rekamannya dan tidak dapat menggabungkan beberapa pengambilan emosional.
Amazon Web Services mengumumkan peluncuran Amazon Polly pada 19 November 2026, yang menjadikan kloning suara tersedia secara umum melalui rilis dengan akses terbatas. Akun AWS yang disetujui dapat membuat suara khusus untuk teks-ke-ucapan dari rekaman satu penutur yang telah memberikan persetujuan, dengan dukungan untuk tujuh bahasa saat peluncuran.
Akses diaktifkan untuk setiap akun AWS. Sejumlah pelanggan Polly sudah mendapatkannya, sedangkan pelanggan lain dapat menghubungi tim akun AWS mereka atau mengajukan permohonan. Pembuatan suara hasil kloning tidak dikenai biaya; audio yang disintesis dikenai biaya berdasarkan pemakaian. Fitur ini tersedia di Wilayah AWS yang sama dengan mesin generatif Polly, termasuk AWS GovCloud (US-West).
Suara hasil kloning menggunakan mesin tersebut, yang menurut AWS menghasilkan kealamian dan akurasi serupa dengan suara generatif lainnya. Bahasa yang didukung adalah Inggris, Spanyol, Jerman, Prancis, Italia, Portugis, dan Hindi, tetapi setiap suara hanya dapat berbicara dalam bahasa yang digunakan saat perekamannya. Suara juga tetap berada di akun dan Wilayah tempat suara itu dibuat. Untuk menggunakannya di Wilayah atau akun lain, suara harus dibuat kembali dari rekaman yang sama, dengan persetujuan penutur yang mencakup setiap salinan.
Membuat Suara dari Rekaman
Kegunaan utamanya bagi perusahaan adalah menjaga konsistensi suara di seluruh sistem telepon, agen suara, aplikasi seluler, pengumuman di dalam toko, iklan, dan perangkat terhubung. Fitur ini juga mendukung pesan suara untuk pusat kontak serta konten berdurasi lebih panjang, seperti buku audio, kursus, dan podcast. Bagi organisasi yang naskahnya sering berubah, keunggulan praktisnya adalah dapat menghasilkan audio baru dengan suara yang sudah dikenal tanpa perlu mengatur sesi rekaman baru untuk setiap revisi.
Untuk membuat suara, pelanggan mengirimkan 1–10 rekaman dari satu penutur, dengan total durasi audio maksimal 15 menit. AWS merekomendasikan 2–10 menit tuturan alami dan menyatakan bahwa kualitas lebih penting daripada durasi. Berkas dapat diunggah melalui konsol, disertakan dalam CreateVoice atau disediakan dari bucket Amazon S3 di Wilayah tujuan. Permintaan tersebut juga memerlukan bahasa rekaman dan TermsAccepted=True.
API langsung mengembalikan ID suara, lalu membuat suara secara asinkron—biasanya dalam 5–10 menit—sembari memeriksa kemiripan dengan penutur. Suara yang telah selesai dibuat dapat menghasilkan audio waktu nyata melalui SynthesizeSpeech atau audio berdurasi panjang yang ditulis ke S3 melalui StartSpeechSynthesisTask. Karena pembuatannya memerlukan waktu beberapa menit, AWS menyarankan agar proses ini dilakukan sebagai langkah penyiapan terlebih dahulu, bukan sebagai bagian dari permintaan pengguna yang sedang berlangsung.
Pelanggan mendapat kuota awal 10 suara hasil kloning per akun per Wilayah. CreateVoice dan DeleteVoice memiliki batas gabungan satu permintaan per detik, sehingga pembuatan dan penghapusan massal harus dimasukkan ke dalam antrean.
Kontrol Persetujuan dan Keamanan
Tahap persetujuan persyaratan memastikan bahwa pelanggan telah memperoleh semua hak dan persetujuan yang diperlukan untuk membuat dan menggunakan suara tersebut. Polly menambahkan tanda air pada audio hasil sintesis yang dibuat dengan suara hasil kloning, dan akses dibatasi untuk akun AWS yang membuatnya melalui AWS Identity and Access Management. Pelanggan dapat memberi tag pada suara dan mengenkripsinya dengan kunci AWS Key Management Service milik mereka sendiri.
Setelah suara dibuat, Polly tidak menyimpan salinan rekaman sumbernya ataupun menggunakannya untuk melatih model Amazon Polly. Polly hanya menyimpan data suara yang diperlukan untuk sintesis, dalam keadaan terenkripsi hingga dihapus; DeleteVoice data tersebut segera dihapus. AWS menyarankan agar pelanggan menyimpan catatan persetujuan, menghapus suara jika persetujuan ditarik, memberi tahu pendengar saat mereka mendengar ucapan sintetis jika sesuai, serta membatasi izin penggunaan suara hanya kepada orang dan sistem yang memerlukannya.
Kualitas Rekaman dan Batas Output
Format rekaman yang disarankan adalah WAV mono 16-bit dengan laju sampel 24 kHz, yang direkam dari satu penutur di ruangan yang tenang. Kipas yang berisik, gema ruangan, dan pemrosesan audio aplikasi rapat dapat ikut dipelajari oleh model kloning. Aksen lain dalam bahasa yang didukung, seperti bahasa Inggris Britania atau bahasa Prancis Kanada, mungkin dapat digunakan, tetapi belum banyak diuji. Karena itu, penting untuk menguji suara menggunakan konten milik pelanggan sendiri.
Suara hasil kloning juga meniru gaya penyampaian dalam rekaman dan tidak dapat memadukan beberapa gaya. Jadi, rekaman dengan nada ceria, sedih, dan marah tidak akan menghasilkan satu suara yang mampu menyampaikan ketiganya. Teks yang sama dapat terdengar sedikit berbeda pada setiap permintaan sintesis. Untuk pesan tetap, seperti salam pada saluran telepon, AWS menyarankan agar audio dibuat sekali, disetujui oleh penutur dan tim merek, lalu disajikan dari berkas yang disimpan. Sebelum diterapkan, naskah produksi sebaiknya diuji dengan nama, angka, alamat, dan kalimat panjang.
Bagi perusahaan, rilis ini menjadikan suara yang dapat digunakan kembali sebagai bagian dari tumpukan aplikasi AWS, lengkap dengan API sintesis, enkripsi, dan kuota layanan. Tugas operasional kini tidak hanya mencakup pembuatan ucapan, tetapi juga pengelolaan persetujuan, akses, salinan lintas wilayah, serta persetujuan atas audio yang didengar oleh pendengar.












