AI-modeller og plattformer
Amazon Polly åpner for tilgangsstyrt kloning av stemmer til egne merkevarer

Viktige punkterKlona stemmer forblir låst til kontoen og regionen som opprettet dem, så bruk på tvers…
Vis mer
- Klona stemmer forblir låst til kontoen og regionen som opprettet dem, så bruk på tvers av regioner krever at de bygges på nytt fra de samme opptakene.
- Polly forkaster kildeopptakene etter at en stemme er bygget, og beholder bare krypterte stemmedata til de slettes.
- En klona stemme arver én leveringsstil fra opptakene sine og kan ikke blande flere emosjonelle varianter.
Amazon Web Services kunngjorde lanseringen av Amazon Polly 19. november 2026 og gjorde stemmekloning allment tilgjengelig gjennom en tilgangsstyrt lansering. Godkjente AWS-kontoer kan lage tilpassede tekst-til-tale-stemmer fra opptak av én person som har gitt samtykke. Ved lansering støttes sju språk.
Tilgang aktiveres for hver AWS-konto. Enkelte Polly-kunder har allerede tilgang, mens andre kan kontakte AWS-kontoteamet sitt eller søke om tilgang. Det er gratis å opprette en klonet stemme; syntetisert lyd faktureres etter forbruk. Funksjonen er tilgjengelig i de samme AWS-regionene som Pollys generative motor, inkludert AWS GovCloud (US-West).
Klonede stemmer kjører på denne motoren, som ifølge AWS gir en naturlighet og nøyaktighet på nivå med selskapets øvrige generative stemmer. Engelsk, spansk, tysk, fransk, italiensk, portugisisk og hindi støttes, men hver stemme kan bare snakke språket den ble tatt opp på. Stemmen forblir også i kontoen og regionen der den ble opprettet. For å bruke den i en annen region eller konto må den opprettes på nytt fra de samme opptakene, og samtykket fra personen som snakker, må omfatte hver kopi.
Slik lager du en stemme fra opptak
Den viktigste bruken for bedrifter er å ha en konsekvent stemme på tvers av telefonsystemer, taleagenter, mobilapper, kunngjøringer i fysiske butikker, reklame og tilkoblede enheter. Funksjonen kan også brukes til meldinger i kontaktsentre og lengre innhold som lydbøker, kurs og podkaster. For organisasjoner med manus som endres ofte, er den praktiske fordelen at de kan generere nytt lydinnhold med en etablert stemme uten å måtte organisere et nytt opptak for hver endring.
For å opprette en stemme sender kunden inn 1–10 opptak av én person, med opptil 15 minutter lyd til sammen. AWS anbefaler 2–10 minutter med naturlig tale og opplyser at kvalitet er viktigere enn lengde. Filene kan lastes opp via konsollen, inkluderes i CreateVoice eller hentes fra en Amazon S3-bøtte i målregionen. Forespørselen må også inneholde språket i opptaket og TermsAccepted=True.
API-et returnerer en stemme-ID umiddelbart og bygger deretter stemmen asynkront, vanligvis på 5–10 minutter, samtidig som likheten med talerens stemme kontrolleres. En ferdig stemme kan generere lyd i sanntid via SynthesizeSpeech eller lyd i langt format som skrives til S3 via StartSpeechSynthesisTask. Siden opprettelsen tar noen minutter, anbefaler AWS å behandle den som et forberedende steg, ikke som en del av en forespørsel fra en bruker i sanntid.
Kunder får i utgangspunktet en kvote på 10 klonede stemmer per konto per region. CreateVoice og DeleteVoice har en felles grense på én forespørsel per sekund, så masseopprettelser og slettinger må legges i kø.
Samtykke og sikkerhetskontroller
Steget der kunden godtar vilkårene, bekrefter at kunden har innhentet alle rettigheter og samtykker som trengs for å opprette og bruke stemmen. Polly legger til et vannmerke i syntetisert lyd som er laget med en klonet stemme, og tilgangen begrenses til AWS-kontoen som opprettet stemmen, gjennom AWS Identity and Access Management. Kundene kan merke stemmer med tagger og kryptere dem med sin egen AWS Key Management Service-nøkkel.
Når stemmen er opprettet, beholder ikke Polly sin kopi av kildeopptakene og bruker dem heller ikke til å trene Amazon Polly-modeller. Tjenesten beholder bare stemmedataene som trengs for syntese, lagret kryptert fram til sletting; DeleteVoice fjerner disse dataene umiddelbart. AWS anbefaler å føre en oversikt over samtykker, slette stemmen hvis samtykket trekkes tilbake, informere lytterne når de hører syntetisk tale der det er relevant, og begrense stemmetilgang til nødvendige personer og systemer.
Opptakskvalitet og begrensninger for utdata
Anbefalt opptaksformat er mono, 16-biters WAV ved 24 kHz, tatt opp med én person i et stille rom. Viftestøy, romklang og lydbehandling i en møteapp kan bli lært av klonen. Andre aksenter av språkene som støttes, for eksempel britisk engelsk eller kanadisk fransk, kan fungere, men er mindre utprøvd. Derfor er det viktig å teste stemmen med kundens eget innhold.
En klonet stemme får også uttrykksmåten sin fra opptakene, og kan ikke blande flere uttrykksmåter. Opptak med glad, trist og sint stemme gir derfor ikke én stemme som kan uttrykke alle tre. Den samme teksten kan høres litt forskjellig ut fra én synteseforespørsel til en annen. For faste meldinger, som velkomsthilsener på telefonlinjer, anbefaler AWS å generere lyden én gang, få den godkjent av personen som snakker og merkevareteamet, og spille av den lagrede filen. Manus som skal brukes i produksjon, bør testes med navn, tall, adresser og lange setninger før de tas i bruk.
For bedrifter gjør lanseringen en gjenbrukbar stemme til en del av AWS-applikasjonsstakken, med syntese-API-er, kryptering og tjenestekvoter. Den operative oppgaven omfatter nå mer enn å generere tale: samtykke, tilgang, regionale kopier og godkjenning av lyden som når lytterne, må også håndteres.












