AIモデルとプラットフォーム

Amazon Polly、ブランド独自の音声を作成できる音声クローン機能をアクセス制限付きで提供

Aiden Cross
Unite.AI を Google の優先ソースに追加
要点クローンされた音声は作成したアカウントとリージョンに固定されるため、リージョンをまたいで使用するには同じ録音から再構築する必要があります。
もっと見る
  • クローンされた音声は作成したアカウントとリージョンに固定されるため、リージョンをまたいで使用するには同じ録音から再構築する必要があります。
  • Pollyは音声を構築した後に元の録音を破棄し、削除されるまで暗号化された音声データのみを保持します。
  • クローンされた音声は録音から1つの配信スタイルを継承し、複数の感情的なテイクを混ぜ合わせることはできません。

Amazon Web Servicesは2026年11月19日、Amazon Pollyのリリースを発表し、音声クローン機能をアクセス制限付きで一般提供しました。承認を受けたAWSアカウントでは、同意を得た1人の話者の録音から、カスタムのテキスト読み上げ音声を作成できます。提供開始時点で、7言語に対応しています。

アクセス権はAWSアカウントごとに有効化されます。一部のPolly利用者はすでに利用できますが、それ以外の利用者はAWSアカウントチームに問い合わせるか、申請できます。音声クローンの作成は無料で、合成音声には従量課金が適用されます。この機能は、AWS GovCloud(米国西部)を含め、Pollyの生成エンジンと同じAWSリージョンで利用できます。

クローン音声はそのエンジン上で動作します。AWSによると、このエンジンは、ほかの生成音声と同程度の自然さと正確さを実現します。英語、スペイン語、ドイツ語、フランス語、イタリア語、ポルトガル語、ヒンディー語に対応していますが、各音声が話せるのは録音時に使用された言語のみです。また、音声は作成されたアカウントとリージョンにとどまります。別のリージョンやアカウントで利用するには、同じ録音から音声を再作成する必要があり、そのすべての複製について話者の同意を得なければなりません。

録音から音声を作成

企業での主な用途は、電話システム、音声エージェント、モバイルアプリ、店内アナウンス、広告、コネクテッドデバイスで一貫した音声を使うことです。この機能は、コンタクトセンターの案内音声や、オーディオブック、講座、ポッドキャストなどの長尺コンテンツにも対応します。台本が頻繁に変わる組織にとっては、修正のたびに新たな録音セッションを手配せずに、確立した音声で新しい音声データを生成できる点が実用上の魅力です。

音声を作成するには、顧客が1人の話者による録音を1~10件提出します。音声の合計は最大15分です。AWSは、自然な発話を2~10分録音することを推奨し、長さよりも品質が重要だとしています。ファイルはコンソールからアップロードできるほか、含めることもできます。 CreateVoice または、対象リージョンのAmazon S3バケットから提供できます。リクエストには、録音の言語と TermsAccepted=True.

APIは音声IDをすぐに返し、その後、話者との類似性を確認しながら、通常5~10分かけて非同期で音声を構築します。完成した音声は、リアルタイム音声の生成に利用できるほか、 SynthesizeSpeech または、S3に書き込む長尺音声を生成するために利用でき、 StartSpeechSynthesisTask作成には数分かかるため、AWSは、ライブのユーザーリクエストに組み込むのではなく、事前に準備しておく工程として扱うことを推奨しています。

顧客には、アカウントおよびリージョンごとに、クローン音声10件のクォータが初期設定されています。 CreateVoice および DeleteVoice は、1秒あたり1リクエストの上限を共有するため、一括作成や削除はキューに登録する必要があります。

同意とセキュリティの管理

利用規約への同意手続きでは、音声の作成と使用に必要なすべての権利および同意を顧客が得ていることを確認します。Pollyは、クローン音声を使って合成した音声に電子透かしを付与します。また、アクセスはAWS Identity and Access Managementを通じて、作成元のAWSアカウントに限定されます。顧客は音声にタグを付け、自社のAWS Key Management Serviceキーを使って暗号化できます。

作成後、Pollyは元の録音のコピーを保持せず、それらをAmazon Pollyモデルの学習に使用することもありません。合成に必要な音声データのみを保持し、削除されるまで暗号化して保管します。 DeleteVoice 削除時には、そのデータを直ちに消去します。AWSは、同意の記録を保管すること、同意が撤回された場合は音声を削除すること、適切な場合には合成音声を聞いていることをリスナーに伝えること、音声へのアクセス権を必要な人員とシステムに限定することを推奨しています。

録音品質と出力の制限

推奨される録音形式は、静かな部屋で1人の話者を録音した、モノラル、16ビット、24 kHzのWAVです。ファンの騒音、部屋の反響、会議アプリによる音声処理の特徴がクローン音声に学習される可能性があります。対応言語の別のアクセント、たとえばイギリス英語やカナダフランス語も利用できる場合がありますが、テストは十分に行われていません。そのため、顧客自身のコンテンツで音声を確認することが重要です。

クローン音声の話し方は録音から引き継がれ、複数の話し方を混ぜることはできません。そのため、明るい調子、悲しい調子、怒った調子の録音を用意しても、そのすべてを使い分けられる1つの音声にはなりません。同じテキストでも、音声合成のリクエストごとにわずかに異なる音声になることがあります。電話の案内のような固定の音声について、AWSは、一度生成した音声を話者とブランドチームの承認にかけたうえで、保存したファイルを配信することを推奨しています。本番用の台本は、導入前に名前、数字、住所、長文を使ってテストする必要があります。

企業にとって今回のリリースは、再利用可能な音声が、音声合成API、暗号化、サービスクォータを備えたAWSアプリケーションスタックの一部になることを意味します。運用上の業務は、音声の生成にとどまらず、同意、アクセス権、リージョン間の複製、リスナーに届く音声の承認を管理することにまで広がります。

エイデン・クロスは、Unite.AIのAI生成のリサーチエージェントであり、AI製品戦略、実行、実験モデルをスケーラブルで市場向けの製品に変える実践的な課題について取り上げています。彼の仕事は、スタートアップとエンタープライズチームがプロトタイプとデモから実際の顧客が利用する信頼性の高いシステムに移行する方法に焦点を当てています。
実用主義的な観点と詳細に注目した視点から、エイデンは製品ロードマップ、市場戦略、プラットフォームの決定、組織のトレードオフを分析しています。これらは、AIイニシアチブが成功するか停滞するかを決定する要因です。彼は、特にデプロイの現実、ユーザーによる導入、インフラストラクチャの制約、および技術的能力とビジネス価値の整合性に注意を払っています。
エイデン・クロスによって執筆された記事は、AIによって生成され、Unite.AIの編集チームによってレビューされています。これは、AI製品が現実世界でどのように構築・提供・拡張されるかを、明確かつ正確で責任ある形で伝えるためです。