Modelli e piattaforme di IA
Amazon Polly introduce la clonazione vocale ad accesso controllato per creare voci personalizzate del brand

Punti chiaveLe voci clonate restano vincolate all'account e alla Region che le ha create, quindi…
Vedi di più
- Le voci clonate restano vincolate all'account e alla Region che le ha create, quindi l'uso tra Region diverse richiede una ricostruzione dalle stesse registrazioni.
- Polly elimina le registrazioni di origine dopo aver creato una voce e conserva solo i dati vocali crittografati fino alla cancellazione.
- Una voce clonata eredita un solo stile di erogazione dalle sue registrazioni e non può combinare più interpretazioni emotive.
Amazon Web Services ha annunciato il lancio di Amazon Polly il 19 novembre 2026, rendendo la clonazione vocale disponibile a tutti tramite un rilascio ad accesso controllato. Gli account AWS approvati possono creare voci personalizzate per la sintesi vocale a partire da registrazioni di un singolo parlante consenziente; al lancio sono supportate sette lingue.
L’accesso viene abilitato per ciascun account AWS. Alcuni clienti Polly selezionati dispongono già della funzionalità, mentre gli altri possono contattare il proprio team AWS di riferimento o presentare una richiesta. La creazione di una voce clonata è gratuita; l’audio sintetizzato viene addebitato con tariffazione a consumo. La funzionalità è disponibile nelle stesse regioni AWS del motore generativo di Polly, inclusa AWS GovCloud (US-West).
Le voci clonate utilizzano quel motore, che secondo AWS offre una naturalezza e una precisione simili a quelle delle altre voci generative. Sono supportate le lingue inglese, spagnola, tedesca, francese, italiana, portoghese e hindi, ma ogni voce parla solo la lingua in cui è stata registrata. Inoltre, la voce rimane nell’account e nella regione in cui è stata creata. Per utilizzarla in un’altra regione o in un altro account, è necessario ricrearla a partire dalle stesse registrazioni e il consenso del parlante deve coprire ogni copia.
Creare una voce a partire da registrazioni
Il principale caso d’uso aziendale è disporre di una voce coerente su sistemi telefonici, agenti vocali, app mobili, annunci in negozio, pubblicità e dispositivi connessi. La funzionalità supporta anche i messaggi dei contact center e contenuti più lunghi, come audiolibri, corsi e podcast. Per le organizzazioni che aggiornano spesso i propri copioni, il vantaggio pratico consiste nel generare nuovo audio con una voce già consolidata, senza organizzare una nuova sessione di registrazione per ogni revisione.
Per creare una voce, il cliente invia da 1 a 10 registrazioni di un singolo parlante, per un totale massimo di 15 minuti di audio. AWS consiglia da 2 a 10 minuti di parlato naturale e afferma che la qualità conta più della durata. I file possono essere caricati tramite la console, inclusi in CreateVoice oppure forniti da un bucket Amazon S3 nella regione di destinazione. La richiesta deve inoltre specificare la lingua della registrazione e TermsAccepted=True.
L’API restituisce subito un ID voce, quindi crea la voce in modo asincrono, in genere in 5–10 minuti, verificando nel frattempo la somiglianza con il parlante. Una volta pronta, la voce può generare audio in tempo reale tramite SynthesizeSpeech oppure audio di lunga durata scritto su S3 tramite StartSpeechSynthesisTask. Poiché la creazione richiede alcuni minuti, AWS consiglia di considerarla una fase di configurazione preventiva anziché parte di una richiesta in tempo reale dell’utente.
I clienti partono da una quota di 10 voci clonate per account e per regione. CreateVoice e DeleteVoice condividono un limite di una richiesta al secondo, perciò le operazioni di creazione ed eliminazione in blocco devono essere messe in coda.
Controlli per il consenso e la sicurezza
La fase di accettazione delle condizioni conferma che il cliente ha ottenuto tutti i diritti e i consensi necessari per creare e utilizzare la voce. Polly aggiunge una filigrana all’audio sintetizzato con una voce clonata e limita l’accesso all’account AWS che l’ha creata tramite AWS Identity and Access Management. I clienti possono aggiungere tag alle voci e cifrarle con una propria chiave AWS Key Management Service.
Dopo la creazione, Polly non conserva la propria copia delle registrazioni sorgente né le usa per addestrare i modelli di Amazon Polly. Conserva solo i dati vocali necessari per la sintesi, archiviati in forma cifrata fino all’eliminazione; DeleteVoice rimuove immediatamente questi dati. AWS consiglia di conservare una prova del consenso, eliminare la voce se il consenso viene revocato, informare gli ascoltatori quando stanno ascoltando un parlato sintetico, ove opportuno, e limitare le autorizzazioni relative alla voce alle persone e ai sistemi che ne hanno bisogno.
Qualità delle registrazioni e limiti dell’output
Il formato di registrazione consigliato è WAV mono a 16 bit e 24 kHz, acquisito da un singolo parlante in una stanza silenziosa. Il clone può apprendere il rumore della ventola, l’eco della stanza e l’elaborazione audio di un’app per riunioni. Possono funzionare anche altri accenti delle lingue supportate, come l’inglese britannico o il francese canadese, ma sono stati testati meno; è quindi importante verificare la voce con contenuti propri del cliente.
Anche lo stile espressivo della voce clonata dipende dalle registrazioni e non è possibile combinare più stili: registrazioni con toni vivaci, tristi e adirati non producono quindi una voce capace di adottarli tutti e tre. Lo stesso testo può suonare leggermente diverso da una richiesta di sintesi all’altra. Per messaggi fissi, come i saluti telefonici, AWS consiglia di generare l’audio una sola volta, ottenere l’approvazione del parlante e del team del brand e distribuire il file archiviato. Prima della messa in produzione, è opportuno testare i copioni con nomi, numeri, indirizzi e frasi lunghe.
Per le aziende, il rilascio integra una voce riutilizzabile nello stack applicativo AWS, insieme alle API di sintesi, alla cifratura e alle quote di servizio. L’attività operativa ora non si limita più a generare parlato, ma comprende anche la gestione del consenso, degli accessi, delle copie regionali e dell’approvazione dell’audio destinato agli ascoltatori.












