AWS oppgraderer Amazon Pollys generative motor med 14 nye stemmer

Amazon Web Services lanserte 22. oktober 2026 en oppgradering av Amazon Pollys generative tekst-til-tale-motor, som nå er generelt tilgjengelig. Oppgraderingen legger til 14 nye stemmer på tvers av ni språkvarianter og gjør generative stemmer tilgjengelige på hindi og finsk for første gang. I et blogginnlegg på AWS Machine Learning Blog beskrev selskapet den oppdaterte motoren som en løsning som gir mer uttrykksfull og mer nøyaktig tale med lav forsinkelse, nå tilgjengelig for produksjonsbruk.

Oppgraderingen kan tas i bruk direkte med eksisterende generative stemmer: Stemmenavnene og API-kallene er uendret, så applikasjoner som allerede bruker dem, fortsetter å fungere uten endringer. AWS beskriver Amazon Polly som en fulladministrert tjeneste som konverterer tekst til naturlig klingende tale. Tjenesten brukes i kontaktsentre, agentbaserte applikasjoner bygget på store språkmodeller, medier og underholdning, e-læring, tilgjengelighetsløsninger og andre arbeidsbelastninger som krever pålitelig taleutdata i stor skala.

Talekvalitet og motordesign

AWS opplyste at de oppgraderte stemmene kan tilpasse følelser og prosodi til inndatateksten uten manuelle innstillinger. I kunngjøringen demonstreres dette med tre opplesninger av den samme setningen om en pakke som kommer fram tidlig – én nøytral, én usikker og én overrasket – samt lydklipp. I ett klipp hilser stemmen Tiffany på en lytter og presenterer seg som en av Pollys generative stemmer. I et annet leser stemmen Kenneth opp en ordrebekreftelse, som ifølge AWS gjengir et sporingsnummer, en leveringsdato og et tidsrom, et beløp i en valuta og en gateadresse på en nøyaktig måte.

Utviklerveiledningen for Amazon Polly beskriver Generative-motoren som den største tekst-til-tale-modellen Amazon Polly har hatt til nå. Den kombinerer en transformer med én milliard parametere, som konverterer rå tekst til talekoder, med en konvolusjonsbasert dekoder som omdanner kodene til bølgeformer fortløpende, slik at de kan strømmes. Veiledningen advarer om at oppdateringer av treningsdataene og modellen kan føre til små variasjoner i hvordan stemmene høres, selv når den generelle kvaliteten blir bedre, fordi teknologien inngår i paradigmet for generativ KI. Dette bør tas i betraktning for innhold som syntetiseres i deler over lang tid, for eksempel en podkastsesong.

Nye stemmer, språk og regioner

De 14 nye stemmene, fordelt på språkvarianter, er amerikansk engelsk (Kenneth, Nate), australsk engelsk (Russell, Curtis), indisk engelsk (Kiara, Arjun), tysk (Tina), amerikansk spansk (Carlos), brasiliansk portugisisk (Leo, Carolina), koreansk (Hyunduk), hindi (Kiara, Arjun) og finsk (Suvi). AWS publiserte eksempelmanus for de hindi-talende stemmene Arjun og Kiara og den finske stemmen Suvi, og opplyste at hindi og finsk er generelt tilgjengelige i Generative-motoren for første gang.

Med de nye stemmene har Generative-katalogen nå totalt 57 stemmer på 11 språk og 25 språkvarianter, opplyste AWS. De 14 nye stemmene er tilgjengelige i 11 AWS-regioner: US East (N. Virginia), US West (Oregon), Europe (Frankfurt), Europe (Zurich), Europe (London), Asia Pacific (Sydney), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Tokyo), Canada (Central) og AWS GovCloud (US-West). Tillegget av GovCloud (US-West) utvider motorens geografiske dekning.

API-er, priser og dokumenterte begrensninger

Eksisterende integrasjoner fungerer videre som før. Det samme SynthesizeSpeech API-kallet, med motorparameteren satt til generative, gir tilgang til de oppgraderte stemmene, og AWS opplyste at det ikke er nødvendig å endre kode. For arbeidsbelastninger i sanntid gjør det toveis strømme-API-et StartSpeechSynthesisStream det mulig for en applikasjon å strømme tekst til Amazon Polly samtidig som den mottar syntetisert lyd tilbake. AWS beskrev dette som godt egnet for taleagenter og spesialtilpassede figurer i spill.

Prisene er uendret. AWS opplyste at oppgraderingen gir bedre stemmekvalitet og nøyaktighet til dagens pris, uten prisøkning, ny SKU eller endringer i eksisterende integrasjoner. Kundene kan dessuten mellomlagre og spille av syntetiserte, statiske meldinger på nytt uten ekstra kostnad. Generative-motoren støtter fortsatt tagger i Speech Synthesis Markup Language, som gir detaljert kontroll over resultatet.

Flere dokumenterte begrensninger gjelder fortsatt. Talemarkører er fremdeles ikke tilgjengelige for generative stemmer; standardstemmer og nevrale stemmer, som ikke påvirkes av oppgraderingen, støtter dem fortsatt. Utviklerveiledningen opplyser at opplesningsstilen for nyhetsopplesere ikke støttes i Generative-motoren, at toveis strømming bare tilbys i enkelte regioner, og at generative stemmer som standard bruker en samplingsfrekvens på 24 kHz, med MP3, OGG (Vorbis) og rå PCM som utdataformater. Veiledningen beskriver også en innebygd nødstoppmekanisme som stanser talegjengivelsen når modellen viser tegn til å kunne hallusinere, vanligvis mot slutten av en setning. AWS advarer om at sikkerhetstiltaket reduserer risikoen, men ikke fjerner den, og at modellen i sjeldne tilfeller kan kutte av deler av et ord eller fortsette å generere innhold forbi stoppgrensen.

Tilgjengelighet og tidlig kundebruk

Ifølge AWS kommer kvalitetsforbedringene automatisk til Amazon Connect- og Genesys-flyter for kontaktsentre. Utviklere kan bruke stemmene via AWS Management Console, AWS Command Line Interface eller AWS SDK-er med IAM-tillatelsen polly:SynthesizeSpeech, og kan kalle DescribeVoices ved distribusjon for å bekrefte at en valgt generativ stemme er tilgjengelig i regionen der en applikasjon kjøres.

Justus Reinikainen, produktsjef hos Sanoma Media Finland, sa at selskapet bruker Amazon Polly til å gjøre nyhetsartiklene sine i sanntid om til lyd, og at det for tiden publiserer mer enn 10 000 artikler i måneden med Pollys finske nevrale stemme. Reinikainen sa at Suvis nye generative stemme i selskapets tester var en klar forbedring sammenlignet med den tidligere nevrale stemmen og hørtes merkbart mer naturlig ut for lytterne.