AWS actualizează motorul generativ Amazon Polly cu 14 voci noi

Pe 22 octombrie 2026, Amazon Web Services a lansat o actualizare a motorului generativ de conversie a textului în vorbire Amazon Polly, disponibilă în regim general, care adaugă 14 voci în nouă variante lingvistice și aduce pentru prima dată voci generative în hindi și finlandeză. Într-o postare pe blogul AWS Machine Learning, compania a descris motorul actualizat ca producând vorbire mai expresivă și mai precisă, cu latență redusă, disponibilă acum în producție.

Lansarea este o actualizare directă pentru vocile generative existente: numele vocilor și apelurile API rămân neschimbate, astfel că aplicațiile care le folosesc deja continuă să funcționeze fără modificări. AWS descrie Amazon Polly drept un serviciu complet gestionat care transformă textul în vorbire cu sonoritate naturală. Acesta este utilizat în centre de contact, aplicații agentice bazate pe modele lingvistice mari, media și divertisment, învățare electronică, accesibilitate și alte scenarii care necesită generarea fiabilă a vocii la scară largă.

Calitatea vorbirii și arhitectura motorului

AWS a declarat că vocile actualizate pot adapta emoția și prozodia la textul de intrare, fără configurare manuală. Anunțul ilustrează această funcționalitate prin trei interpretări ale aceleiași propoziții despre sosirea în avans a unui colet — una neutră, una nesigură și una surprinsă — și prin mostre audio. Într-o mostră, vocea Tiffany salută un ascultător și se prezintă drept una dintre vocile generative ale Polly; în alta, vocea Kenneth redă confirmarea unei comenzi, care, potrivit AWS, redă cu precizie un număr de urmărire, o dată și un interval orar de livrare, o sumă în valută și o adresă stradală.

Ghidul pentru dezvoltatori Amazon Polly descrie motorul Generative drept cel mai mare model de conversie a textului în vorbire creat până acum pentru Amazon Polly. Acesta combină un transformator cu un miliard de parametri, care convertește textul brut în coduri de vorbire, cu un decodor bazat pe convoluții, care transformă codurile respective în forme de undă într-un mod incremental, care permite redarea în flux. Ghidul avertizează că, deoarece tehnologia face parte din paradigma IA generative, actualizările datelor de antrenare și ale modelului pot produce mici variații ale sonorității vocilor, chiar și atunci când calitatea generală se îmbunătățește. Acest aspect trebuie luat în considerare pentru conținutul sintetizat în segmente pe o perioadă îndelungată, cum ar fi un sezon de podcasturi.

Voci, limbi și regiuni noi

Cele 14 voci noi, grupate după varianta lingvistică, sunt: engleză americană (Kenneth, Nate), engleză australiană (Russell, Curtis), engleză indiană (Kiara, Arjun), germană (Tina), spaniolă americană (Carlos), portugheză braziliană (Leo, Carolina), coreeană (Hyunduk), hindi (Kiara, Arjun) și finlandeză (Suvi). AWS a publicat scripturi demonstrative pentru vocile hindi Arjun și Kiara și pentru vocea finlandeză Suvi și a declarat că hindi și finlandeza sunt disponibile în regim general pe motorul Generative pentru prima dată.

Odată cu aceste adăugiri, catalogul Generative cuprinde acum, potrivit AWS, 57 de voci în 11 limbi și 25 de variante lingvistice. Cele 14 voci noi sunt disponibile în 11 regiuni 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) și AWS GovCloud (US-West). Adăugarea regiunii GovCloud (US-West) extinde aria de acoperire a motorului.

API-uri, prețuri și limitări documentate

Integrările existente rămân neschimbate. Același apel API SynthesizeSpeech, cu parametrul motorului setat la generative, accesează vocile actualizate, iar AWS a declarat că nu sunt necesare modificări de cod. Pentru sarcinile în timp real, API-ul de redare în flux bidirecțională StartSpeechSynthesisStream permite unei aplicații să transmită text către Amazon Polly și să primească simultan înapoi conținutul audio sintetizat; AWS a descris acest mod de lucru ca fiind foarte potrivit pentru agenți vocali și personaje personalizate din jocuri.

Prețurile rămân neschimbate. AWS a declarat că actualizarea îmbunătățește calitatea și precizia vocii la prețul existent, fără majorări de cost, fără un SKU nou și fără modificări ale integrărilor curente. Compania a mai precizat că clienții pot stoca în cache și reda din nou solicitări statice sintetizate fără costuri suplimentare. Motorul Generative continuă, de asemenea, să accepte etichetele Speech Synthesis Markup Language, care permit controlul detaliat al rezultatului.

Mai multe limitări documentate rămân valabile. Marcajele de vorbire nu sunt încă disponibile pentru vocile generative; vocile standard și neuronale, care nu sunt afectate de actualizare, continuă să le accepte. Ghidul pentru dezvoltatori menționează că stilul de prezentator de știri nu este acceptat de motorul Generative, că redarea în flux bidirecțională este disponibilă doar în anumite regiuni și că vocile generative folosesc implicit o rată de eșantionare de 24 kHz și formatele de ieșire MP3, OGG (Vorbis) și PCM brut. Ghidul descrie și un mecanism de oprire de urgență încorporat, care întrerupe redarea vorbirii atunci când modelul pare susceptibil să halucineze, de regulă spre sfârșitul unei propoziții. AWS avertizează că această măsură de protecție reduce riscul, dar nu îl elimină și că, în cazuri limită, modelul poate întrerupe un cuvânt sau poate continua să genereze conținut după pragul de oprire.

Disponibilitate și primele utilizări de către clienți

Potrivit AWS, îmbunătățirile de calitate se reflectă automat în fluxurile Amazon Connect și Genesys din centrele de contact. Dezvoltatorii pot utiliza vocile prin AWS Management Console, AWS Command Line Interface sau AWS SDKs, folosind permisiunea IAM polly:SynthesizeSpeech, și pot apela DescribeVoices în momentul implementării pentru a confirma că vocea generativă selectată este disponibilă în regiunea în care rulează aplicația.

Justus Reinikainen, manager de produs la Sanoma Media Finland, a declarat că firma folosește Amazon Polly pentru a transforma în format audio articolele sale de știri în timp real și publică în prezent peste 10.000 de articole pe lună cu vocea neuronală în finlandeză a Polly. Reinikainen a spus că, în testele companiei, noua voce generativă Suvi a reprezentat o îmbunătățire clară față de vocea neuronală anterioară și suna considerabil mai natural pentru ascultători.