AWS、Amazon Pollyの生成エンジンをアップグレードし、新たに14種類の音声を追加

Amazon Web Servicesは2026年10月22日、Amazon Pollyの生成音声合成エンジンのアップグレードを一般提供開始した。9つのロケールに14種類の音声を追加し、ヒンディー語とフィンランド語の生成音声を初めて利用できるようにした。AWSの機械学習ブログへの投稿で同社は、更新後のエンジンについて、低遅延で、より表現力豊かかつ正確な音声を生成できると説明し、本番環境で利用可能になったと発表した。

今回のリリースは、既存の生成音声をそのまま置き換えられるアップグレードだ。音声名とAPI呼び出しに変更はないため、すでに利用中のアプリケーションは修正なしで引き続き動作する。AWSによると、Amazon Pollyはテキストを自然な音声に変換するフルマネージドサービスで、コンタクトセンター、大規模言語モデルを活用したエージェント型アプリケーション、メディア・エンターテインメント、eラーニング、アクセシビリティ、その他、大規模かつ安定した音声出力が必要な用途に利用されている。

音声品質とエンジンの仕組み

AWSによると、アップグレード後の音声は、手動で設定しなくても入力テキストに合わせて感情や韻律を調整できる。発表では、荷物が予定より早く届くという同じ文を、ニュートラル、不確か、驚きの3通りの表現で読み上げる例と、サンプル音声でその動作を示している。あるサンプルでは、Tiffanyの音声がリスナーにあいさつし、Pollyの生成音声の一つとして自己紹介する。別のサンプルでは、Kennethの音声が注文確認の内容を読み上げる。AWSによると、追跡番号、配達日と時間帯、合計金額、住所を正確に読み上げている。

Amazon Polly開発者ガイドでは、生成エンジンを、これまでで最大のAmazon Polly音声合成モデルと説明している。このエンジンは、入力されたテキストを音声コードに変換する10億パラメータのトランスフォーマーと、そのコードを波形に変換する畳み込みベースのデコーダーを組み合わせており、逐次的にストリーミング可能な形で処理する。同ガイドは、この技術が生成AIの枠組みにあるため、学習データやモデルの更新によって、全体的な品質が向上していても音声にわずかな違いが生じる場合があると注意を促している。これは、ポッドキャストの1シーズンのように、長期間にわたって分割して合成するコンテンツでは考慮すべき点だ。

新しい音声、言語、提供地域

ロケール別の新しい14種類の音声は、米国英語（Kenneth、Nate）、オーストラリア英語（Russell、Curtis）、インド英語（Kiara、Arjun）、ドイツ語（Tina）、米国スペイン語（Carlos）、ブラジル・ポルトガル語（Leo、Carolina）、韓国語（Hyunduk）、ヒンディー語（Kiara、Arjun）、フィンランド語（Suvi）。AWSは、ヒンディー語の音声ArjunとKiara、フィンランド語の音声Suviのサンプル用スクリプトを公開し、ヒンディー語とフィンランド語が生成エンジンで初めて一般提供されると発表した。

今回の追加により、生成音声のカタログは11言語、25ロケールで計57種類になったとAWSは発表した。新しい14種類の音声は、11のAWSリージョンで利用できる。対象は、米国東部（バージニア北部）、米国西部（オレゴン）、欧州（フランクフルト）、欧州（チューリッヒ）、欧州（ロンドン）、アジアパシフィック（シドニー）、アジアパシフィック（ソウル）、アジアパシフィック（シンガポール）、アジアパシフィック（東京）、カナダ（中部）、AWS GovCloud (US-West)で、GovCloud (US-West)への追加により、エンジンの提供範囲が拡大した。

API、料金、公開されている制限事項

既存の連携機能は変更なく引き続き利用できる。engineパラメーターをgenerativeに設定した従来のSynthesizeSpeech API呼び出しで、アップグレード後の音声を利用でき、AWSによるとコードの変更は不要だ。リアルタイム処理では、双方向ストリーミングAPIのStartSpeechSynthesisStreamを使うと、アプリケーションからAmazon Pollyにテキストを送信しながら、合成音声を同時に受信できる。AWSは、この方式が音声エージェントやゲーム内のオリジナルキャラクターに適していると説明している。

料金に変更はない。AWSによると、アップグレードによって既存の価格のまま音声品質と精度が向上し、料金の値上げも新しいSKUの追加もなく、現在の連携機能にも変更はない。また、顧客は合成した静的なプロンプトをキャッシュして再生でき、追加料金は発生しない。生成エンジンでは、出力を細かく制御するための音声合成マークアップ言語（SSML）タグも引き続き利用できる。

公開されているいくつかの制限事項は、引き続き適用される。生成音声では音声マークを利用できない。アップグレードの影響を受けない標準音声とニューラル音声では、引き続き利用可能だ。開発者ガイドによると、生成エンジンはニュースキャスターの話し方に対応していない。また、双方向ストリーミングを利用できるのは一部のリージョンに限られる。生成音声のサンプリングレートは既定で24 kHzで、出力形式はMP3、OGG（Vorbis）、非圧縮PCMに対応する。同ガイドは、モデルが幻覚を生成する可能性を示した場合に音声のレンダリングを停止する緊急停止機能が組み込まれているとも説明している。通常、停止は文末近くで行われる。AWSは、この安全機能によってリスクは低減するものの、完全にはなくならないと警告している。また、まれなケースでは、単語の一部が途切れたり、停止しきい値を超えて内容の生成が続いたりする場合がある。

提供状況と初期の顧客利用

AWSによると、品質向上はAmazon ConnectとGenesysのコンタクトセンターのフローに自動的に反映されます。開発者はAWS Management Console、AWS Command Line Interface、またはAWS SDKsを使い、polly:SynthesizeSpeech IAM権限で音声を利用できます。また、アプリケーションの実行リージョンで選択した生成音声が利用可能かどうかを、デプロイ時にDescribeVoicesを呼び出して確認できます。

Sanoma Media Finlandのプロダクトマネージャー、Justus Reinikainen氏によると、同社はAmazon Pollyを使ってリアルタイムのニュース記事を音声に変換しており、現在、Pollyのフィンランド語ニューラル音声で月に10,000本を超える記事を配信しています。Reinikainen氏は、同社のテストでは、Suviの新しい生成音声は従来のニューラル音声より明らかに優れており、聴き手にとっても、より自然に聞こえたと述べました。