Modelos e plataformas de IA
Amazon Polly adiciona clonagem de voz com acesso controlado para vozes personalizadas de marca

Pontos-chaveAs vozes clonadas permanecem vinculadas à conta e à Região que as criou, portanto o uso…
Ver mais
- As vozes clonadas permanecem vinculadas à conta e à Região que as criou, portanto o uso entre Regiões exige a recriação a partir das mesmas gravações.
- O Polly descarta as gravações de origem após criar uma voz e mantém apenas os dados de voz criptografados até a exclusão.
- Uma voz clonada herda um único estilo de entrega de suas gravações e não pode combinar várias tomadas emocionais.
A Amazon Web Services anunciou o lançamento do Amazon Polly em 19 de novembro de 2026, disponibilizando a clonagem de voz de forma geral, mas com acesso controlado. Contas da AWS aprovadas podem criar vozes personalizadas de conversão de texto em fala a partir de gravações de um único locutor que tenha dado seu consentimento. No lançamento, há suporte para sete idiomas.
O acesso é habilitado para cada conta da AWS. Alguns clientes do Polly já têm acesso, enquanto outros podem entrar em contato com a equipe de contas da AWS ou fazer uma solicitação. A criação de uma voz clonada é gratuita; o áudio sintetizado é cobrado conforme o uso. O recurso está disponível nas mesmas regiões da AWS que o mecanismo generativo do Polly, incluindo a AWS GovCloud (US-West).
As vozes clonadas usam esse mecanismo, que, segundo a AWS, oferece naturalidade e precisão semelhantes às de suas outras vozes generativas. Há suporte para inglês, espanhol, alemão, francês, italiano, português e hindi, mas cada voz fala apenas o idioma em que foi gravada. A voz também permanece na conta e na região em que foi criada. Para disponibilizá-la em outra região ou conta, é necessário criá-la novamente a partir das mesmas gravações, com o consentimento do locutor abrangendo cada cópia.
Criar uma voz a partir de gravações
O principal caso de uso empresarial é manter uma voz consistente em sistemas telefônicos, agentes de voz, aplicativos móveis, anúncios em lojas, publicidade e dispositivos conectados. O recurso também oferece suporte a mensagens de centrais de atendimento e conteúdos mais longos, como audiolivros, cursos e podcasts. Para organizações cujos roteiros mudam com frequência, a vantagem prática é gerar novos áudios com uma voz já estabelecida sem precisar organizar uma nova sessão de gravação para cada revisão.
Para criar uma voz, o cliente envia de 1 a 10 gravações de um único locutor, com até 15 minutos de áudio no total. A AWS recomenda de 2 a 10 minutos de fala natural e afirma que a qualidade é mais importante do que a duração. Os arquivos podem ser enviados pelo console, incluídos em CreateVoice ou fornecidos de um bucket do Amazon S3 na região de destino. A solicitação também exige o idioma da gravação e TermsAccepted=True.
A API retorna um ID de voz imediatamente e, em seguida, cria a voz de forma assíncrona, geralmente em 5–10 minutos, enquanto verifica a semelhança com o locutor. Uma voz pronta pode gerar áudio em tempo real por meio de SynthesizeSpeech ou áudio mais longo gravado no S3 por meio de StartSpeechSynthesisTask. Como a criação leva alguns minutos, a AWS recomenda tratá-la como uma etapa de provisionamento antecipado, em vez de incluí-la em uma solicitação feita por um usuário em tempo real.
Os clientes começam com uma cota de 10 vozes clonadas por conta e por região. CreateVoice e DeleteVoice compartilham um limite de uma solicitação por segundo; por isso, é necessário colocar as criações e exclusões em lote em uma fila.
Consentimento e controles de segurança
A etapa de aceitação dos termos confirma que o cliente obteve todos os direitos e consentimentos necessários para criar e usar a voz. O Polly adiciona uma marca d’água ao áudio sintetizado com uma voz clonada, e o acesso é limitado à conta da AWS que criou a voz por meio do AWS Identity and Access Management. Os clientes podem adicionar tags às vozes e criptografá-las com sua própria chave do AWS Key Management Service.
Após a criação, o Polly não retém sua cópia das gravações de origem nem as usa para treinar modelos do Amazon Polly. Ele mantém apenas os dados de voz necessários para a síntese, armazenados criptografados até serem excluídos; DeleteVoice remove esses dados imediatamente. A AWS recomenda manter um registro do consentimento, excluir a voz caso o consentimento seja retirado, informar aos ouvintes quando estiverem ouvindo fala sintética, quando apropriado, e limitar as permissões de voz às pessoas e aos sistemas que precisam delas.
Qualidade das gravações e limites de saída
O formato de gravação recomendado é WAV mono, de 16 bits e 24 kHz, capturado de um único locutor em um ambiente silencioso. O clone pode aprender o ruído de ventiladores, o eco do ambiente e o processamento de áudio de um aplicativo de reuniões. Outros sotaques dos idiomas compatíveis, como o inglês britânico ou o francês canadense, podem funcionar, mas foram menos testados; por isso, é importante verificar a voz com o próprio conteúdo do cliente.
Uma voz clonada também reproduz o estilo de fala das gravações e não consegue combinar vários estilos. Assim, gravações com entonações animadas, tristes e irritadas não resultam em uma única voz capaz de reproduzir os três estilos. O mesmo texto pode soar ligeiramente diferente entre solicitações de síntese. Para mensagens fixas, como saudações telefônicas, a AWS recomenda gerar o áudio uma vez, obter a aprovação do locutor e da equipe de marca e disponibilizar o arquivo armazenado. Antes da implantação, os roteiros de produção devem ser testados com nomes, números, endereços e frases longas.
Para as empresas, esse lançamento torna a voz reutilizável parte da pilha de aplicativos da AWS, com APIs de síntese, criptografia e cotas de serviço associadas. Agora, as tarefas operacionais vão além de gerar fala e incluem gerenciar consentimentos, acessos, cópias regionais e a aprovação do áudio que chega aos ouvintes.












