Модели и платформы ИИ
AWS обновила генеративный движок Amazon Polly, добавив 14 новых голосов
Добавьте Unite.AI в избранные источники в Google
22 октября 2026 года Amazon Web Services выпустила общедоступное обновление генеративного движка преобразования текста в речь Amazon Polly: в девяти локалях появились 14 новых голосов, а поддержка генеративных голосов впервые стала доступна для хинди и финского языка. В публикации в блоге AWS о машинном обучении компания сообщила, что обновленный движок создает более выразительную и точную речь с низкой задержкой и теперь доступен для использования в производственной среде.
Обновление устанавливается без изменений в существующие генеративные голоса: их названия и вызовы API остаются прежними, поэтому приложения, которые уже их используют, продолжат работать без доработок. AWS описывает Amazon Polly как полностью управляемый сервис, преобразующий текст в естественно звучащую речь. Его применяют в контакт-центрах, агентных приложениях на базе больших языковых моделей, медиа и индустрии развлечений, электронном обучении, средствах обеспечения доступности и других сценариях, где требуется надежный синтез речи в больших масштабах.
Качество речи и устройство движка
По словам AWS, обновленные голоса способны подстраивать эмоции и просодию под входной текст без ручной настройки. В анонсе эта возможность демонстрируется на трех вариантах прочтения одного и того же предложения о том, что посылка прибыла раньше срока: нейтральном, неуверенном и удивленном; также представлены образцы аудио. В одном из них голос Tiffany приветствует слушателя и представляется одним из генеративных голосов Polly; в другом голос Kenneth зачитывает подтверждение заказа. По словам AWS, он точно воспроизводит номер отслеживания, дату и временной интервал доставки, итоговую сумму в валюте и адрес улицы.
В руководстве разработчика Amazon Polly генеративный движок описан как крупнейшая на сегодняшний день модель преобразования текста в речь Amazon Polly. В его основе — трансформер с миллиардом параметров, который преобразует исходный текст в речевые коды, и декодер на базе сверточной сети, превращающий эти коды в звуковые волны постепенно, в потоковом режиме. В руководстве предупреждают: поскольку технология относится к сфере генеративного ИИ, изменения обучающих данных и самой модели могут приводить к небольшим вариациям звучания голосов, даже если общее качество улучшается. Это важно учитывать при синтезе контента по частям на протяжении длительного времени, например целого сезона подкаста.
Новые голоса, языки и регионы
14 новых голосов распределены по локалям следующим образом: американский английский (Kenneth, Nate), австралийский английский (Russell, Curtis), индийский английский (Kiara, Arjun), немецкий (Tina), испанский для США (Carlos), бразильский португальский (Leo, Carolina), корейский (Hyunduk), хинди (Kiara, Arjun) и финский (Suvi). AWS опубликовала примеры текстов для голосов на хинди Arjun и Kiara и голоса на финском Suvi; компания также сообщила, что хинди и финский впервые стали общедоступны в генеративном движке.
По данным AWS, с учетом новых голосов в каталоге генеративных голосов теперь насчитывается 57 вариантов на 11 языках и в 25 локалях. 14 новых голосов доступны в 11 регионах AWS: Восток США (Северная Вирджиния), Запад США (Орегон), Европа (Франкфурт), Европа (Цюрих), Европа (Лондон), Азиатско-Тихоокеанский регион (Сидней), Азиатско-Тихоокеанский регион (Сеул), Азиатско-Тихоокеанский регион (Сингапур), Азиатско-Тихоокеанский регион (Токио), Центральная Канада и AWS GovCloud (US-West). Добавление региона GovCloud (US-West) расширило географию работы движка.
API, цены и задокументированные ограничения
Существующие интеграции продолжают работать без изменений. Для доступа к обновленным голосам используется тот же вызов API SynthesizeSpeech с параметром движка, установленным в значение generative; по словам AWS, менять код не требуется. Для сценариев реального времени двунаправленный потоковый API StartSpeechSynthesisStream позволяет приложению передавать текст в Amazon Polly и одновременно получать синтезированное аудио. AWS отмечает, что такой подход хорошо подходит для голосовых агентов и индивидуально созданных персонажей в играх.
Цены не изменились. По словам AWS, обновление повышает качество и точность звучания голосов при сохранении прежней цены: стоимость не увеличивается, новые SKU не появляются, а существующие интеграции не меняются. Клиенты также могут кэшировать синтезированные статические подсказки и воспроизводить их повторно без дополнительной платы. Генеративный движок по-прежнему поддерживает теги языка разметки синтеза речи для точной настройки выходного аудио.
Ряд задокументированных ограничений сохраняется. Метки речи по-прежнему недоступны для генеративных голосов; стандартные и нейронные голоса, на которые обновление не повлияло, продолжают их поддерживать. В руководстве разработчика отмечается, что генеративный движок не поддерживает стиль речи диктора новостей, двунаправленная потоковая передача доступна только в некоторых регионах, а для генеративных голосов по умолчанию используется частота дискретизации 24 кГц и форматы вывода MP3, OGG (Vorbis) и необработанный PCM. В руководстве также описан встроенный механизм экстренной остановки: он прекращает генерацию речи, когда модель демонстрирует склонность к галлюцинациям, обычно ближе к концу предложения. AWS предупреждает, что эта мера снижает риск, но не устраняет его полностью: в отдельных случаях модель может оборвать часть слова или продолжить генерировать текст после порога остановки.
Доступность и первые примеры использования клиентами
По данным AWS, улучшения качества автоматически распространяются на процессы Amazon Connect и Genesys в контакт-центрах. Разработчики могут работать с голосами через консоль управления AWS, интерфейс командной строки AWS или пакеты SDK AWS, используя разрешение IAM polly:SynthesizeSpeech, а при развертывании могут вызывать DescribeVoices, чтобы убедиться, что выбранный генеративный голос доступен в регионе, где работает приложение.
Юстус Рейникайнен, менеджер по продукту в Sanoma Media Finland, рассказал, что компания использует Amazon Polly, чтобы преобразовывать статьи новостей в реальном времени в аудио, и сейчас публикует с помощью нейронного голоса Polly на финском языке более 10 000 статей в месяц. По словам Рейникайнена, в ходе тестирования компании новый генеративный голос Suvi оказался заметно лучше прежнего нейронного голоса и звучал для слушателей значительно естественнее.
