AWS Tingkatkan Mesin Generatif Amazon Polly dengan 14 Suara Baru

Pada 22 Oktober 2026, Amazon Web Services merilis peningkatan untuk mesin text-to-speech Generatif Amazon Polly yang tersedia secara umum. Peningkatan ini menambahkan 14 suara baru di sembilan lokal dan menghadirkan suara generatif dalam bahasa Hindi dan Finlandia untuk pertama kalinya. Dalam artikel di Blog Pembelajaran Mesin AWS, perusahaan tersebut menjelaskan bahwa mesin yang diperbarui ini menghasilkan keluaran suara yang lebih ekspresif dan akurat dengan latensi rendah, dan kini tersedia untuk penggunaan produksi.

Pembaruan ini dapat langsung diterapkan sebagai peningkatan untuk suara generatif yang sudah ada: nama suara dan panggilan API tidak berubah, sehingga aplikasi yang telah menggunakannya tetap berfungsi tanpa modifikasi. AWS menjelaskan bahwa Amazon Polly adalah layanan terkelola penuh yang mengubah teks menjadi ucapan alami. Layanan ini digunakan untuk pusat kontak, aplikasi berbasis agen yang dibangun dengan model bahasa besar, media dan hiburan, pembelajaran elektronik, aksesibilitas, serta beban kerja lain yang membutuhkan keluaran suara andal dalam skala besar.

Kualitas Ucapan dan Desain Mesin

AWS menyatakan bahwa suara yang ditingkatkan dapat menyesuaikan emosi dan prosodi dengan teks masukan tanpa pengaturan manual. Pengumuman tersebut memperlihatkan kemampuan ini melalui tiga pembacaan kalimat yang sama tentang paket yang tiba lebih awal—dengan intonasi netral, ragu-ragu, dan terkejut—serta melalui sampel audio. Dalam satu sampel, suara Tiffany menyapa pendengar dan memperkenalkan dirinya sebagai salah satu suara generatif Polly; dalam sampel lain, suara Kenneth membacakan konfirmasi pesanan. Menurut AWS, suara tersebut secara akurat menyebutkan nomor pelacakan, tanggal dan rentang waktu pengiriman, jumlah total dalam mata uang, serta alamat jalan.

Panduan Pengembang Amazon Polly menjelaskan bahwa mesin Generatif adalah model text-to-speech Amazon Polly terbesar hingga saat ini. Mesin ini memadukan transformer dengan satu miliar parameter, yang mengubah teks mentah menjadi kode ucapan, dengan dekoder berbasis konvolusi yang mengubah kode tersebut menjadi gelombang suara secara bertahap dan dapat dialirkan. Panduan itu mengingatkan bahwa karena teknologi ini termasuk dalam ranah AI generatif, pembaruan pada data pelatihan dan model dapat menyebabkan sedikit variasi pada karakter suara, meskipun kualitas keseluruhan meningkat. Hal ini perlu dipertimbangkan untuk konten yang disintesis secara bertahap dalam jangka waktu panjang, seperti satu musim podcast.

Suara, Bahasa, dan Wilayah Baru

Ke-14 suara baru berdasarkan lokal adalah Inggris AS (Kenneth, Nate), Inggris Australia (Russell, Curtis), Inggris India (Kiara, Arjun), Jerman (Tina), Spanyol AS (Carlos), Portugis Brasil (Leo, Carolina), Korea (Hyunduk), Hindi (Kiara, Arjun), dan Finlandia (Suvi). AWS menerbitkan naskah contoh untuk suara Hindi Arjun dan Kiara serta suara Finlandia Suvi, dan menyatakan bahwa bahasa Hindi dan Finlandia kini tersedia secara umum di mesin Generatif untuk pertama kalinya.

AWS menyatakan bahwa dengan penambahan ini, katalog Generatif kini mencakup total 57 suara dalam 11 bahasa dan 25 lokal. Ke-14 suara baru tersebut tersedia di 11 Wilayah AWS: AS Timur (Virginia Utara), AS Barat (Oregon), Eropa (Frankfurt), Eropa (Zurich), Eropa (London), Asia Pasifik (Sydney), Asia Pasifik (Seoul), Asia Pasifik (Singapura), Asia Pasifik (Tokyo), Kanada (Tengah), dan AWS GovCloud (AS Barat). Penambahan di GovCloud (AS Barat) memperluas jangkauan mesin ini.

API, Harga, dan Batasan yang Tercantum dalam Dokumentasi

Integrasi yang sudah ada tetap berfungsi tanpa perubahan. Panggilan API SynthesizeSpeech yang sama, dengan parameter engine disetel ke generative, dapat mengakses suara yang telah ditingkatkan, dan AWS menyatakan bahwa perubahan kode tidak diperlukan. Untuk beban kerja waktu nyata, API streaming dua arah StartSpeechSynthesisStream memungkinkan aplikasi mengalirkan teks ke Amazon Polly sekaligus menerima audio hasil sintesis. Menurut AWS, pola ini sangat cocok untuk agen suara dan karakter khusus dalam gim.

Harga tetap sama. AWS menyatakan bahwa peningkatan ini menghasilkan kualitas suara dan akurasi yang lebih baik dengan harga yang berlaku saat ini, tanpa kenaikan biaya, SKU baru, ataupun perubahan pada integrasi yang ada. Pelanggan juga dapat menyimpan dalam tembolok dan memutar ulang perintah statis hasil sintesis tanpa biaya tambahan. Mesin Generatif juga tetap mendukung tag Speech Synthesis Markup Language untuk mengendalikan keluaran secara terperinci.

Sejumlah batasan yang tercantum dalam dokumentasi tetap berlaku. Speech marks masih belum tersedia untuk suara generatif; suara standar dan neural, yang tidak terpengaruh oleh peningkatan ini, tetap mendukungnya. Panduan pengembang menyebutkan bahwa gaya bicara penyiar berita tidak didukung di mesin Generatif, streaming dua arah hanya tersedia di wilayah tertentu, dan suara generatif menggunakan laju sampling bawaan 24 kHz dengan format keluaran MP3, OGG (Vorbis), dan PCM mentah. Panduan itu juga menjelaskan adanya mekanisme penghentian darurat bawaan yang menghentikan perenderan ucapan ketika model berpotensi berhalusinasi, biasanya menjelang akhir kalimat. AWS memperingatkan bahwa mekanisme perlindungan ini mengurangi risiko, tetapi tidak menghilangkannya; dalam kasus tertentu, model dapat memotong sebagian kata atau terus menghasilkan konten hingga melewati ambang penghentian.

Ketersediaan dan Penggunaan Awal oleh Pelanggan

Menurut AWS, peningkatan kualitas ini otomatis diterapkan pada alur pusat kontak Amazon Connect dan Genesys. Pengembang dapat menggunakan suara-suara tersebut melalui AWS Management Console, AWS Command Line Interface, atau AWS SDK, dengan izin IAM polly:SynthesizeSpeech, serta dapat memanggil DescribeVoices saat penerapan untuk memastikan bahwa suara generatif yang dipilih tersedia di wilayah tempat aplikasi dijalankan.

Justus Reinikainen, manajer produk di Sanoma Media Finland, mengatakan bahwa perusahaan tersebut menggunakan Amazon Polly untuk mengubah artikel berita waktu nyata menjadi audio dan saat ini menerbitkan lebih dari 10.000 artikel per bulan dengan suara neural berbahasa Finlandia milik Polly. Reinikainen mengatakan bahwa dalam pengujian perusahaan, suara generatif baru Suvi jelas lebih baik daripada suara neural sebelumnya dan terdengar jauh lebih alami bagi pendengar.