AWS atualiza o mecanismo generativo do Amazon Polly com 14 novas vozes

Em 22 de outubro de 2026, a Amazon Web Services lançou uma atualização do mecanismo de conversão de texto em fala Generative do Amazon Polly, agora disponível de forma geral. A atualização adiciona 14 novas vozes em nove localidades e disponibiliza vozes generativas em hindi e finlandês pela primeira vez. Em uma publicação no blog de aprendizado de máquina da AWS, a empresa descreveu o mecanismo atualizado como capaz de produzir fala mais expressiva e precisa, com baixa latência, e já disponível em produção.

A atualização é implementada sem alterações nas vozes generativas existentes: os nomes das vozes e as chamadas de API não mudam, de modo que os aplicativos que já as utilizam continuam funcionando sem modificações. A AWS descreve o Amazon Polly como um serviço totalmente gerenciado que converte texto em fala com sonoridade natural. Ele é usado em centrais de atendimento, aplicativos baseados em agentes criados com grandes modelos de linguagem, mídia e entretenimento, ensino eletrônico, acessibilidade e outras cargas de trabalho que exigem saída de voz confiável em grande escala.

Qualidade da fala e projeto do mecanismo

A AWS afirmou que as vozes atualizadas conseguem ajustar a emoção e a prosódia ao texto de entrada sem configuração manual. O anúncio demonstra esse comportamento com três leituras da mesma frase sobre um pacote que chega mais cedo — uma neutra, uma incerta e uma surpresa —, além de amostras de áudio. Em uma das amostras, a voz Tiffany cumprimenta uma pessoa e se apresenta como uma das vozes generativas do Polly; em outra, a voz Kenneth lê uma confirmação de pedido, que, segundo a AWS, reproduz com precisão um número de rastreamento, uma data de entrega e um intervalo de horário, um valor total em moeda e um endereço residencial.

O guia do desenvolvedor do Amazon Polly descreve o mecanismo Generative como o maior modelo de conversão de texto em fala do Amazon Polly até hoje. Ele combina um transformador com um bilhão de parâmetros, que converte texto bruto em códigos de fala, com um decodificador baseado em convolução, que transforma esses códigos em formas de onda de maneira incremental e passível de transmissão contínua. O guia adverte que, por essa tecnologia fazer parte do paradigma da IA generativa, atualizações nos dados de treinamento e no modelo podem causar pequenas variações na sonoridade das vozes, mesmo quando a qualidade geral melhora. Isso deve ser levado em conta em conteúdos sintetizados em partes ao longo de um período extenso, como uma temporada de podcasts.

Novas vozes, idiomas e regiões

As 14 novas vozes, por localidade, são: inglês dos EUA (Kenneth, Nate), inglês australiano (Russell, Curtis), inglês indiano (Kiara, Arjun), alemão (Tina), espanhol dos EUA (Carlos), português do Brasil (Leo, Carolina), coreano (Hyunduk), hindi (Kiara, Arjun) e finlandês (Suvi). A AWS publicou roteiros de amostra para as vozes em hindi Arjun e Kiara e para a voz em finlandês Suvi, e afirmou que o hindi e o finlandês estão disponíveis de forma geral no mecanismo Generative pela primeira vez.

Com as adições, o catálogo Generative passa a contar, segundo a AWS, com um total de 57 vozes em 11 idiomas e 25 localidades. As 14 novas vozes estão disponíveis em 11 regiões da AWS: Leste dos EUA (Norte da Virgínia), Oeste dos EUA (Oregon), Europa (Frankfurt), Europa (Zurique), Europa (Londres), Ásia-Pacífico (Sydney), Ásia-Pacífico (Seul), Ásia-Pacífico (Singapura), Ásia-Pacífico (Tóquio), Canadá (Central) e AWS GovCloud (US-West). A inclusão de GovCloud (US-West) amplia o alcance do mecanismo.

APIs, preços e limitações documentadas

As integrações existentes continuam funcionando sem alterações. A mesma chamada à API SynthesizeSpeech, com o parâmetro engine definido como generative, permite acessar as vozes atualizadas, e a AWS afirmou que não são necessárias alterações no código. Para cargas de trabalho em tempo real, a API de transmissão bidirecional StartSpeechSynthesisStream permite que um aplicativo envie texto ao Amazon Polly por transmissão contínua enquanto recebe o áudio sintetizado ao mesmo tempo. Segundo a AWS, esse padrão é adequado para agentes de voz e personagens personalizados em jogos.

Os preços permanecem iguais. A AWS afirmou que a atualização oferece melhor qualidade e precisão de voz pelo preço atual, sem aumento de custo, novo SKU ou alterações nas integrações existentes, e que os clientes podem armazenar em cache e reproduzir novamente comandos estáticos sintetizados sem custo adicional. O mecanismo Generative também continua aceitando tags da Speech Synthesis Markup Language para controlar a saída com precisão.

Várias limitações documentadas continuam em vigor. As marcas de fala ainda não estão disponíveis para vozes generativas; as vozes padrão e neurais, que não são afetadas pela atualização, continuam sendo compatíveis com elas. O guia do desenvolvedor observa que o estilo de fala de locutor de notícias não é compatível com o mecanismo Generative, que a transmissão bidirecional está disponível apenas em algumas regiões e que as vozes generativas usam por padrão uma taxa de amostragem de 24 kHz, com saída nos formatos MP3, OGG (Vorbis) e PCM bruto. O guia também descreve um mecanismo de parada de emergência integrado, que interrompe a renderização da fala quando o modelo apresenta potencial para alucinar, geralmente perto do fim de uma frase. A AWS alerta que essa proteção reduz o risco, mas não o elimina, e que, em casos extremos, o modelo pode cortar parte de uma palavra ou continuar gerando conteúdo além do limite de parada.

Disponibilidade e primeiros usos por clientes

Segundo a AWS, as melhorias de qualidade chegam automaticamente aos fluxos de centrais de atendimento do Amazon Connect e do Genesys. Os desenvolvedores podem usar as vozes pelo AWS Management Console, pela AWS Command Line Interface ou pelos AWS SDKs, com a permissão do IAM polly:SynthesizeSpeech, e podem chamar DescribeVoices no momento da implantação para confirmar se uma voz generativa selecionada está disponível na região em que o aplicativo é executado.

Justus Reinikainen, gerente de produto da Sanoma Media Finland, afirmou que a empresa usa o Amazon Polly para transformar suas notícias em tempo real em áudio e atualmente publica mais de 10.000 artigos por mês com a voz neural finlandesa do Polly. Reinikainen disse que, nos testes da empresa, a nova voz generativa Suvi representou uma melhoria evidente em relação à voz neural anterior e soou visivelmente mais natural para os ouvintes.