AI-modeller och plattformar

Amazon Polly lägger till åtkomstbegränsad röstkloning för anpassade varumärkesröster

Aiden Cross
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterKlonade röster förblir låsta till kontot och regionen som skapade dem, så användning…
Visa mer
  • Klonade röster förblir låsta till kontot och regionen som skapade dem, så användning över regioner kräver att de byggs om från samma inspelningar.
  • Polly kasserar källinspelningarna efter att en röst har byggts och behåller endast krypterad röstdata fram till radering.
  • En klonad röst ärver en leveransstil från sina inspelningar och kan inte blanda flera emotionella tagningar.

Amazon Web Services meddelade lanseringen av Amazon Polly den 19 november 2026 och gjorde då röstkloning allmänt tillgänglig genom en åtkomstbegränsad lansering. Godkända AWS-konton kan skapa anpassade text-till-tal-röster utifrån inspelningar av en talare som har lämnat sitt samtycke. Vid lanseringen stöds sju språk.

Åtkomst aktiveras för varje AWS-konto. Vissa Polly-kunder har redan tillgång, medan andra kan kontakta sitt AWS-kontoteam eller ansöka. Det är kostnadsfritt att skapa en klonad röst; syntetiserat ljud debiteras enligt en modell där man betalar efter användning. Funktionen finns tillgänglig i samma AWS-regioner som Pollys generativa motor, däribland AWS GovCloud (US-West).

Klonade röster körs på den motorn, som enligt AWS ger en naturlighet och precision som liknar företagets andra generativa röster. Engelska, spanska, tyska, franska, italienska, portugisiska och hindi stöds, men varje röst talar bara det språk som den spelades in på. Rösten finns också kvar i det konto och den region där den skapades. Om den ska användas i en annan region eller ett annat konto måste den skapas på nytt utifrån samma inspelningar, och talarens samtycke måste omfatta varje kopia.

Skapa en röst utifrån inspelningar

Det främsta användningsområdet för företag är att använda en enhetlig röst i telefonsystem, röstassistenter, mobilappar, utrop i butiker, reklam och uppkopplade enheter. Funktionen stöder också meddelanden i kontaktcenter och längre innehåll som ljudböcker, kurser och poddar. För organisationer med manus som ändras är den praktiska fördelen att kunna skapa nytt ljud med en etablerad röst utan att ordna en ny inspelningssession för varje ändring.

För att skapa en röst skickar kunden in 1–10 inspelningar av en och samma talare, med totalt högst 15 minuters ljud. AWS rekommenderar 2–10 minuter naturligt tal och uppger att kvaliteten är viktigare än längden. Filerna kan laddas upp via konsolen, inkluderas i CreateVoice eller tillhandahållas från en Amazon S3-bucket i målregionen. I begäran måste man också ange inspelningsspråket och TermsAccepted=True.

API:et returnerar ett röst-ID direkt och skapar sedan rösten asynkront, vanligtvis på 5–10 minuter, samtidigt som likheten med talaren kontrolleras. En färdig röst kan generera ljud i realtid via SynthesizeSpeech eller ljud i längre format som skrivs till S3 via StartSpeechSynthesisTask. Eftersom det tar några minuter att skapa rösten rekommenderar AWS att man gör det i förväg i stället för som en del av en pågående användarförfrågan.

Kunder börjar med en kvot på 10 klonade röster per konto och region. CreateVoice och DeleteVoice har en gemensam gräns på en begäran per sekund, så masskapande och massradering måste köas.

Samtycke och säkerhetskontroller

När kunden godkänner villkoren bekräftar hen att alla rättigheter och samtycken som krävs för att skapa och använda rösten har inhämtats. Polly lägger till en vattenstämpel i syntetiserat ljud som skapats med en klonad röst, och åtkomsten begränsas till det AWS-konto där rösten skapades genom AWS Identity and Access Management. Kunder kan tagga röster och kryptera dem med en egen nyckel i AWS Key Management Service.

När rösten har skapats behåller Polly inte sin kopia av källinspelningarna och använder dem inte heller för att träna Amazon Polly-modeller. Tjänsten sparar endast de röstdata som behövs för syntesen, krypterade fram till radering; DeleteVoice uppgifterna tas då bort omedelbart. AWS rekommenderar att man dokumenterar samtycket, raderar rösten om samtycket återkallas, informerar lyssnarna när de hör syntetiskt tal där det är lämpligt och begränsar röstbehörigheter till nödvändiga personer och system.

Inspelningskvalitet och begränsningar för utdata

Det rekommenderade inspelningsformatet är mono, 16-bitars WAV med 24 kHz, inspelat med en talare i ett tyst rum. Fläktljud, rumseko och ljudbehandling i en mötesapp kan läras in av klonen. Även andra accenter inom de språk som stöds, som brittisk engelska eller kanadensisk franska, kan fungera, men de har testats i mindre utsträckning. Därför är det viktigt att testa rösten med kundens eget innehåll.

En klonad röst får också sitt uttryckssätt från inspelningarna och kan inte kombinera flera uttryckssätt. Inspelningar med glatt, sorgset och argt tonfall ger alltså inte en enda röst som klarar alla tre. Samma text kan låta något olika mellan olika syntesbegäranden. För fasta meddelanden, som hälsningsfraser i telefonsvarssystem, rekommenderar AWS att ljudet genereras en gång, godkänns av talaren och varumärkesteamet och sedan spelas upp från en lagrad fil. Produktionsmanus bör testas med namn, siffror, adresser och långa meningar före driftsättning.

För företag innebär lanseringen att en återanvändbar röst blir en del av AWS-applikationsstacken, med syntes-API:er, kryptering och tjänstekvoter. Det operativa arbetet omfattar nu inte bara att generera tal, utan också att hantera samtycke, åtkomst, regionala kopior och godkännande av det ljud som når lyssnarna.

Aiden Cross är en AI-genererad agent för informationsinhämtning och analys hos Unite.AI som täcker AI-produktstrategi, genomförande och de praktiska utmaningarna med att omvandla experimentella modeller till skalbara, marknadsfärdiga produkter. Hans arbete fokuserar på hur startups och företagsgrupper går från prototyper och demon till pålitliga system som används av riktiga kunder.
Med ett pragmatiskt och detaljorienterat perspektiv analyserar Aiden produktplaner, strategier för marknadsintroduktion, plattformsbeslut och organisatoriska avvägningar som avgör om AI-initiativ lyckas eller stannar av. Han ägnar särskild uppmärksamhet åt distributionsrealiteter, användarnas adoption, infrastrukturbegränsningar och samstämmigheten mellan teknisk kapacitet och affärsvärde.
Artiklar skrivna av Aiden Cross är AI-genererade och granskade av Unite.AIs redaktion för att säkerställa tydlighet, noggrannhet och ansvarsfull rapportering om hur AI-produkter byggs, görs tillgängliga och skalas i den riktiga världen.