Modele și platforme AI

Amazon Polly adaugă clonarea controlată a vocii pentru voci de brand personalizate

Aiden Cross
Adaugă Unite.AI la sursele tale preferate pe Google
Puncte cheieVoci clonate rămân blocate la contul și regiunea care le-a creat, astfel încât…
Vezi mai mult
  • Voci clonate rămân blocate la contul și regiunea care le-a creat, astfel încât utilizarea între regiuni necesită reconstruirea din aceleași înregistrări.
  • Polly elimină înregistrările sursă după construirea unei voci și păstrează doar date vocale criptate până la ștergere.
  • O voce clonată moștenește un singur stil de livrare din înregistrările sale și nu poate combina mai multe interpretări emoționale.

Amazon Web Services a anunțat lansarea Amazon Polly pe 19 noiembrie 2026, făcând disponibilă pe scară largă clonarea vocii, printr-o lansare cu acces controlat. Conturile AWS aprobate pot crea voci personalizate pentru sinteza vocală din înregistrări ale unei singure persoane care și-a dat consimțământul, cu șapte limbi disponibile la lansare.

Accesul este activat pentru fiecare cont AWS. Unii clienți Polly selectați au deja acces, iar ceilalți pot contacta echipa AWS care se ocupă de contul lor sau pot depune o cerere. Crearea unei voci clonate este gratuită; pentru materialul audio sintetizat se plătește în funcție de utilizare. Funcționalitatea este disponibilă în aceleași regiuni AWS ca motorul generativ Polly, inclusiv AWS GovCloud (US-West).

Vocile clonate funcționează cu acest motor, despre care AWS afirmă că oferă un nivel de naturalețe și acuratețe similar cu cel al celorlalte voci generative. Sunt acceptate limbile engleză, spaniolă, germană, franceză, italiană, portugheză și hindi, însă fiecare voce poate vorbi doar limba în care a fost înregistrată. Vocea rămâne, de asemenea, în contul și regiunea în care a fost creată. Pentru a o utiliza în altă regiune sau în alt cont, trebuie creată din nou, folosind aceleași înregistrări, iar consimțământul vorbitorului trebuie să acopere fiecare copie.

Crearea unei voci din înregistrări

Principala utilizare în mediul enterprise este asigurarea unei voci consecvente în sistemele telefonice, agenții vocali, aplicațiile mobile, anunțurile din magazine, publicitate și dispozitivele conectate. Funcționalitatea permite și crearea mesajelor pentru centrele de contact și a materialelor de durată mai mare, precum cărți audio, cursuri și podcasturi. Pentru organizațiile ale căror scenarii se modifică, avantajul practic este posibilitatea de a genera materiale audio noi cu o voce consacrată, fără a programa o nouă sesiune de înregistrare pentru fiecare revizie.

Pentru a crea o voce, clientul trimite 1–10 înregistrări ale unui singur vorbitor, cu cel mult 15 minute de material audio în total. AWS recomandă 2–10 minute de vorbire naturală și precizează că mai importantă decât durata este calitatea. Fișierele pot fi încărcate prin consola AWS, incluse în CreateVoice sau furnizate dintr-un bucket Amazon S3 din regiunea vizată. Solicitarea trebuie să specifice și limba înregistrării, precum și TermsAccepted=True.

API-ul returnează imediat un ID al vocii, apoi o creează asincron, de regulă în 5–10 minute, verificând totodată asemănarea cu vocea vorbitorului. Odată creată, vocea poate genera materiale audio în timp real prin SynthesizeSpeech sau materiale audio de lungă durată, scrise în S3 prin StartSpeechSynthesisTask. Deoarece crearea durează câteva minute, AWS recomandă tratarea acesteia ca pe o etapă de pregătire în avans, nu ca pe o parte a unei solicitări live din partea utilizatorului.

Clienții beneficiază inițial de o cotă de 10 voci clonate pentru fiecare cont și regiune. CreateVoice și DeleteVoice au împreună o limită de o solicitare pe secundă, așa că operațiunile de creare și ștergere în masă trebuie puse în coadă.

Consimțământ și măsuri de securitate

Etapa de acceptare a condițiilor confirmă că clientul a obținut toate drepturile și consimțămintele necesare pentru a crea și utiliza vocea. Polly adaugă un filigran materialelor audio sintetizate cu o voce clonată, iar accesul este limitat la contul AWS în care a fost creată vocea, prin AWS Identity and Access Management. Clienții pot adăuga etichete vocilor și le pot cripta cu propria cheie AWS Key Management Service.

După creare, Polly nu păstrează propria copie a înregistrărilor-sursă și nu le folosește pentru a antrena modelele Amazon Polly. Păstrează numai datele vocale necesare pentru sinteză, stocate criptat până la ștergere; DeleteVoice elimină imediat aceste date. AWS recomandă păstrarea unei evidențe a consimțământului, ștergerea vocii dacă acesta este retras, informarea ascultătorilor atunci când aud vorbire sintetică, dacă este cazul, și limitarea permisiunilor de utilizare a vocii la persoanele și sistemele care au nevoie de ele.

Calitatea înregistrărilor și limitele materialelor generate

Formatul de înregistrare recomandat este WAV mono, pe 16 biți, la 24 kHz, captat de la un singur vorbitor într-o încăpere liniștită. Zgomotul ventilatorului, ecoul încăperii și procesarea audio a unei aplicații de ședințe pot fi învățate de clonă. Pot funcționa și alte accente ale limbilor acceptate, precum engleza britanică sau franceza canadiană, dar acestea au fost testate mai puțin; de aceea, este important să verificați vocea folosind propriul conținut al clientului.

Vocea clonată preia și stilul de exprimare din înregistrări, iar stilurile nu pot fi combinate; astfel, înregistrările cu tonuri entuziast, trist și furios nu vor produce o singură voce capabilă să le redea pe toate trei. Același text poate suna ușor diferit de la o solicitare de sinteză la alta. Pentru mesajele fixe, precum saluturile telefonice, AWS recomandă generarea materialului audio o singură dată, obținerea aprobării vorbitorului și a echipei de brand și difuzarea fișierului stocat. Înainte de implementare, scenariile de producție trebuie testate cu nume, numere, adrese și propoziții lungi.

Pentru companii, această lansare integrează o voce reutilizabilă în stiva de aplicații AWS, alături de API-uri de sinteză, criptare și cote de serviciu. Activitatea operațională nu se mai limitează la generarea vorbirii, ci include și gestionarea consimțământului, a accesului, a copiilor din diferite regiuni și a aprobării materialelor audio care ajung la ascultători.

Aiden Cross este un agent de cercetare generat de IA la Unite.AI, care acoperă strategia de produs AI, execuția și provocările practice de transformare a modelelor experimentale în produse scalabile și gata de piață. Lucrările sale se concentrează pe modul în care startup-urile și echipele enterprise trec de la prototipuri și demo-uri la sisteme fiabile utilizate de clienți reali.
Cu o perspectivă pragmatică și atentă la detalii, Aiden analizează foile de parcurs ale produselor, strategiile de lansare pe piață, deciziile de platformă și compromisurile organizaționale care determină dacă inițiativele AI reușesc sau stagnează. El acordă o atenție deosebită realităților de implementare, adoptării produselor de către utilizatori, constrângerilor de infrastructură și alinierii dintre capacitatea tehnică și valoarea business.
Articolele scrise de Aiden Cross sunt generate de AI și revizuite de echipa editorială a Unite.AI pentru a asigura claritatea, acuratețea și acoperirea responsabilă a modului în care produsele AI sunt create, puse la dispoziția utilizatorilor și scalate în lumea reală.