Modele i platformy AI
AWS ulepsza generatywny silnik Amazon Polly, dodając 14 nowych głosów
Dodaj Unite.AI do preferowanych źródeł w Google
22 października 2026 r. Amazon Web Services udostępniło ogólnie dostępną aktualizację generatywnego silnika zamiany tekstu na mowę Amazon Polly. Dodano 14 nowych głosów w dziewięciu lokalizacjach, a głosy generatywne po raz pierwszy objęły języki hindi i fiński. W wpisie na blogu AWS Machine Learning firma opisała zaktualizowany silnik jako zapewniający bardziej ekspresyjną i dokładniejszą syntezę mowy przy niskim opóźnieniu, dostępną już w środowisku produkcyjnym.
Aktualizacja jest dostępna dla dotychczasowych głosów generatywnych jako bezpośrednie zastąpienie: nazwy głosów i wywołania API pozostają bez zmian, więc aplikacje, które już z nich korzystają, nadal działają bez modyfikacji. AWS opisuje Amazon Polly jako w pełni zarządzaną usługę, która przekształca tekst w mowę brzmiącą naturalnie. Korzysta się z niej w centrach kontaktowych, aplikacjach agentowych opartych na dużych modelach językowych, mediach i rozrywce, e-learningu, rozwiązaniach zwiększających dostępność oraz innych zastosowaniach wymagających niezawodnej syntezy mowy na dużą skalę.
Jakość mowy i konstrukcja silnika
AWS poinformowało, że ulepszone głosy potrafią dopasowywać emocje i prozodię do tekstu wejściowego bez ręcznej konfiguracji. W ogłoszeniu pokazano to na przykładzie trzech odczytań tego samego zdania o paczce, która dotarła wcześniej — jednego neutralnego, jednego niepewnego i jednego zaskoczonego — oraz próbek dźwiękowych. W jednej z nich głos Tiffany wita słuchacza i przedstawia się jako jeden z generatywnych głosów Polly; w innej głos Kenneth odczytuje potwierdzenie zamówienia, które — jak podało AWS — dokładnie oddaje numer przesyłki, datę i przedział czasowy dostawy, kwotę w walucie oraz adres uliczny.
Przewodnik dla deweloperów Amazon Polly opisuje silnik generatywny jako największy dotąd model Amazon Polly do zamiany tekstu na mowę. Łączy on transformator z miliardem parametrów, który przekształca surowy tekst w kody mowy, z dekoderem opartym na sieci konwolucyjnej, który zamienia te kody na przebiegi falowe w sposób przyrostowy, umożliwiający strumieniowanie. W przewodniku zaznaczono, że ponieważ technologia ta należy do obszaru generatywnej sztucznej inteligencji, aktualizacje danych treningowych i modelu mogą powodować niewielkie różnice w brzmieniu głosów, nawet gdy poprawia się ich ogólna jakość. Ma to znaczenie w przypadku treści syntezowanych partiami przez dłuższy czas, takich jak cały sezon podcastu.
Nowe głosy, języki i regiony
14 nowych głosów w poszczególnych lokalizacjach to: angielski amerykański (Kenneth, Nate), angielski australijski (Russell, Curtis), angielski indyjski (Kiara, Arjun), niemiecki (Tina), hiszpański amerykański (Carlos), portugalski brazylijski (Leo, Carolina), koreański (Hyunduk), hindi (Kiara, Arjun) i fiński (Suvi). AWS opublikowało przykładowe skrypty dla głosów hindi Arjun i Kiara oraz fińskiego głosu Suvi. Poinformowało też, że języki hindi i fiński są po raz pierwszy ogólnie dostępne w silniku generatywnym.
AWS poinformowało, że po dodaniu nowych głosów katalog generatywny obejmuje łącznie 57 głosów w 11 językach i 25 lokalizacjach. 14 nowych głosów jest dostępnych w 11 regionach AWS: 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) oraz AWS GovCloud (US-West). Dodanie regionu GovCloud (US-West) zwiększyło zasięg silnika.
Interfejsy API, ceny i opisane ograniczenia
Dotychczasowe integracje działają bez zmian. Ulepszone głosy są dostępne za pomocą tego samego wywołania API SynthesizeSpeech, z parametrem silnika ustawionym na generative. AWS poinformowało, że nie trzeba wprowadzać zmian w kodzie. W zastosowaniach czasu rzeczywistego dwukierunkowe strumieniowe API StartSpeechSynthesisStream pozwala aplikacji przesyłać tekst do Amazon Polly i jednocześnie odbierać wygenerowany dźwięk. AWS określiło ten sposób działania jako dobrze dopasowany do agentów głosowych i niestandardowych postaci w grach.
Ceny pozostają bez zmian. AWS poinformowało, że aktualizacja zapewnia lepszą jakość i dokładność głosu w dotychczasowej cenie, bez podwyżki, nowej jednostki SKU ani zmian w obecnych integracjach. Klienci mogą też buforować i odtwarzać syntetyzowane, statyczne komunikaty bez dodatkowych opłat. Silnik generatywny nadal obsługuje znaczniki Speech Synthesis Markup Language, które umożliwiają precyzyjną kontrolę nad generowanym wyjściem.
Nadal obowiązuje kilka opisanych ograniczeń. Znaczniki mowy nie są dostępne dla głosów generatywnych; obsługują je nadal głosy standardowe i neuronowe, na które aktualizacja nie wpłynęła. W przewodniku dla deweloperów zaznaczono, że silnik generatywny nie obsługuje stylu prezentera wiadomości, dwukierunkowe strumieniowanie jest dostępne tylko w niektórych regionach, a domyślna częstotliwość próbkowania głosów generatywnych wynosi 24 kHz. Dostępne formaty wyjściowe to MP3, OGG (Vorbis) i surowy PCM. Przewodnik opisuje również wbudowany mechanizm awaryjnego zatrzymania, który przerywa syntezę mowy, gdy model wykazuje skłonność do halucynacji, zwykle pod koniec zdania. AWS ostrzega, że zabezpieczenie ogranicza ryzyko, ale go nie eliminuje. W skrajnych przypadkach model może uciąć część wyrazu lub kontynuować generowanie treści po przekroczeniu progu zatrzymania.
Dostępność i pierwsze zastosowania przez klientów
Według AWS poprawa jakości automatycznie obejmuje także przepływy obsługi w centrach kontaktu Amazon Connect i Genesys. Programiści mogą korzystać z głosów za pośrednictwem konsoli AWS Management Console, interfejsu AWS Command Line Interface lub pakietów AWS SDK, używając uprawnienia IAM polly:SynthesizeSpeech, a w czasie wdrażania mogą wywołać DescribeVoices, aby potwierdzić, że wybrany głos generatywny jest dostępny w regionie, w którym działa aplikacja.
Justus Reinikainen, menedżer produktu w Sanoma Media Finland, powiedział, że firma wykorzystuje Amazon Polly do przekształcania publikowanych na bieżąco artykułów informacyjnych w nagrania audio i obecnie publikuje za pomocą fińskiego głosu neuronowego Polly ponad 10 000 artykułów miesięcznie. Reinikainen powiedział, że w testach firmy nowy głos generatywny Suvi wyraźnie przewyższał poprzedni głos neuronowy i brzmiał dla słuchaczy zauważalnie naturalniej.
