Modele i platformy AI
Amazon Polly wprowadza klonowanie głosu dla marek w ramach kontrolowanego dostępu

Kluczowe punktySklonowane głosy pozostają przypisane do konta i regionu, w których zostały utworzone…
Zobacz więcej
- Sklonowane głosy pozostają przypisane do konta i regionu, w których zostały utworzone, więc użycie w innym regionie wymaga odtworzenia ich z tych samych nagrań.
- Polly usuwa źródłowe nagrania po utworzeniu głosu i przechowuje wyłącznie zaszyfrowane dane głosu aż do ich usunięcia.
- Sklonowany głos dziedziczy jeden styl dostarczania z nagrań i nie może łączyć wielu emocjonalnych wersji.
Amazon Web Services ogłosiło udostępnienie Amazon Polly 19 listopada 2026 r., zapewniając powszechny dostęp do klonowania głosu w ramach kontrolowanego udostępniania. Zatwierdzone konta AWS mogą tworzyć niestandardowe głosy do syntezy mowy na podstawie nagrań jednego mówcy, który wyraził zgodę. W chwili premiery obsługiwanych jest siedem języków.
Dostęp jest włączany dla każdego konta AWS. Niektórzy klienci Polly już go mają, a pozostali mogą skontaktować się z zespołem obsługi swojego konta AWS lub złożyć wniosek. Utworzenie sklonowanego głosu jest bezpłatne; opłaty za syntezę audio są naliczane w modelu płatności za użycie. Funkcja jest dostępna w tych samych regionach AWS co silnik generatywny Polly, w tym w AWS GovCloud (US-West).
Sklonowane głosy działają w oparciu o ten silnik, który — jak twierdzi AWS — zapewnia naturalność i dokładność zbliżone do innych generatywnych głosów. Obsługiwane są języki angielski, hiszpański, niemiecki, francuski, włoski, portugalski i hindi, ale każdy głos mówi wyłącznie w języku, w którym został nagrany. Głos pozostaje też na koncie i w regionie, w których został utworzony. Aby udostępnić go w innym regionie lub na innym koncie, trzeba utworzyć go ponownie z tych samych nagrań, a zgoda mówcy musi obejmować każdą kopię.
Tworzenie głosu na podstawie nagrań
Głównym zastosowaniem funkcji w przedsiębiorstwach jest zapewnienie spójnego głosu w systemach telefonicznych, agentach głosowych, aplikacjach mobilnych, komunikatach odtwarzanych w sklepach, reklamach i urządzeniach połączonych z siecią. Funkcja obsługuje także komunikaty w centrach kontaktu oraz dłuższe treści, takie jak audiobooki, kursy i podcasty. Dla organizacji, których scenariusze często się zmieniają, praktyczną zaletą jest możliwość generowania nowych nagrań ustalonym głosem bez organizowania kolejnej sesji nagraniowej przy każdej zmianie.
Aby utworzyć głos, klient przesyła od 1 do 10 nagrań jednego mówcy, o łącznej długości do 15 minut. AWS zaleca od 2 do 10 minut naturalnej mowy i podkreśla, że jakość jest ważniejsza niż długość. Pliki można przesłać za pośrednictwem konsoli, dołączyć do CreateVoice lub udostępnić z zasobnika Amazon S3 w docelowym regionie. W żądaniu trzeba też podać język nagrania oraz TermsAccepted=True.
Interfejs API natychmiast zwraca identyfikator głosu, a następnie tworzy głos asynchronicznie, zazwyczaj w ciągu 5–10 minut, sprawdzając przy tym podobieństwo do głosu mówcy. Gotowy głos może generować dźwięk w czasie rzeczywistym za pośrednictwem SynthesizeSpeech lub dłuższe nagrania zapisywane w S3 za pośrednictwem StartSpeechSynthesisTask. Ponieważ tworzenie głosu trwa kilka minut, AWS zaleca traktować je jako etap wcześniejszego przygotowania, a nie część obsługi bieżącego żądania użytkownika.
Początkowy limit dla klientów wynosi 10 sklonowanych głosów na konto w każdym regionie. CreateVoice oraz DeleteVoice mają wspólny limit jednego żądania na sekundę, dlatego tworzenie i usuwanie głosów w dużej liczbie wymaga umieszczenia operacji w kolejce.
Zgoda i zabezpieczenia
Akceptacja warunków potwierdza, że klient uzyskał wszystkie prawa i zgody wymagane do utworzenia głosu i korzystania z niego. Polly dodaje znak wodny do dźwięku wygenerowanego za pomocą sklonowanego głosu, a dostęp jest ograniczony do konta AWS, na którym utworzono głos, za pośrednictwem AWS Identity and Access Management. Klienci mogą oznaczać głosy tagami i szyfrować je własnym kluczem AWS Key Management Service.
Po utworzeniu głosu Polly nie zachowuje swojej kopii nagrań źródłowych ani nie wykorzystuje ich do trenowania modeli Amazon Polly. Przechowuje wyłącznie dane głosu niezbędne do syntezy, w postaci zaszyfrowanej aż do ich usunięcia; DeleteVoice natychmiast usuwa te dane. AWS zaleca przechowywanie dokumentacji dotyczącej zgody, usunięcie głosu w razie jej wycofania, informowanie słuchaczy — w stosownych przypadkach — że słyszą mowę syntetyczną oraz ograniczenie uprawnień do korzystania z głosu do niezbędnych osób i systemów.
Jakość nagrań i ograniczenia dotyczące wygenerowanej mowy
Zalecany format nagrania to mono, 16-bitowy WAV o częstotliwości próbkowania 24 kHz, zarejestrowany przez jednego mówcę w cichym pomieszczeniu. Sklonowany głos może odtworzyć szum wentylatora, pogłos pomieszczenia i obróbkę dźwięku stosowaną przez aplikację do spotkań. Można używać także innych akcentów w obsługiwanych językach, na przykład brytyjskiej odmiany angielskiego lub kanadyjskiej odmiany francuskiego, ale zostały one przetestowane w mniejszym stopniu. Dlatego ważne jest sprawdzenie głosu na treściach klienta.
Sklonowany głos przejmuje też sposób mówienia z nagrań i nie potrafi łączyć kilku stylów, dlatego nagrania w radosnym, smutnym i gniewnym tonie nie stworzą jednego głosu, który potrafiłby oddać wszystkie trzy. Ten sam tekst może brzmieć nieco inaczej w poszczególnych żądaniach syntezy. W przypadku stałych komunikatów, takich jak powitania na infolinii, AWS zaleca jednorazowe wygenerowanie nagrania, uzyskanie akceptacji mówcy i zespołu ds. marki, a następnie odtwarzanie zapisanego pliku. Przed wdrożeniem należy przetestować scenariusze produkcyjne, uwzględniając imiona i nazwiska, liczby, adresy oraz długie zdania.
Dla przedsiębiorstw ta premiera oznacza włączenie wielokrotnego użytku głosu do stosu aplikacji AWS, wraz z interfejsami API do syntezy, szyfrowaniem i limitami usługi. Zakres zadań operacyjnych obejmuje teraz nie tylko generowanie mowy, lecz także zarządzanie zgodami, dostępem, kopiami w różnych regionach oraz zatwierdzaniem nagrań udostępnianych słuchaczom.












