AWS uppgraderar Amazon Polly Generative Engine med 14 nya röster

Den 22 oktober 2026 lanserade Amazon Web Services en uppgradering av Amazon Polly Generative-talsyntesmotorn, som då blev allmänt tillgänglig. Uppgraderingen tillför 14 nya röster på nio språkvarianter och gör generativa röster tillgängliga på hindi och finska för första gången. I ett blogginlägg på AWS Machine Learning beskrev företaget den uppdaterade motorn som kapabel att generera mer uttrycksfullt och mer träffsäkert tal med låg latens, nu tillgängligt i produktionsmiljöer.

Uppgraderingen kan införas direkt för befintliga generativa röster: röstnamnen och API-anropen är oförändrade, så applikationer som redan använder rösterna fortsätter att fungera utan ändringar. AWS beskriver Amazon Polly som en helt hanterad tjänst som omvandlar text till naturligt klingande tal. Den används för kontaktcenter, agentbaserade applikationer byggda på stora språkmodeller, medier och underhållning, e-lärande, tillgänglighet och andra arbetsbelastningar där det krävs tillförlitlig talgenerering i stor skala.

Talkvalitet och motorns utformning

AWS uppger att de uppgraderade rösterna kan anpassa känslouttryck och prosodi efter indatatexten utan manuell inställning. I tillkännagivandet demonstreras detta med tre uppläsningar av samma mening om ett paket som kommer fram i förtid – en neutral, en osäker och en förvånad – samt med ljudexempel. I ett exempel hälsar rösten Tiffany på en lyssnare och presenterar sig som en av Pollys generativa röster. I ett annat läser rösten Kenneth upp en orderbekräftelse, som enligt AWS återger ett spårningsnummer, ett leveransdatum och ett tidsintervall, ett belopp i en valuta samt en gatuadress korrekt.

Utvecklarhandboken för Amazon Polly beskriver Generative-motorn som den största text-till-tal-modellen för Amazon Polly hittills. Den kombinerar en transformer med en miljard parametrar, som omvandlar råtext till talkoder, med en konvolutionsbaserad avkodare som omvandlar koderna till vågformer stegvis och på ett sätt som lämpar sig för strömning. Handboken påpekar att eftersom tekniken ingår i det generativa AI-paradigmet kan uppdateringar av träningsdata och modellen leda till små variationer i hur rösterna låter, även när den övergripande kvaliteten förbättras. Det är något att ta hänsyn till för innehåll som syntetiseras i delar under en längre tid, exempelvis en poddsäsong.

Nya röster, språk och regioner

De 14 nya rösterna, fördelade efter språkvariant, är amerikansk engelska (Kenneth, Nate), australisk engelska (Russell, Curtis), indisk engelska (Kiara, Arjun), tyska (Tina), amerikansk spanska (Carlos), brasiliansk portugisiska (Leo, Carolina), koreanska (Hyunduk), hindi (Kiara, Arjun) och finska (Suvi). AWS publicerade exempelmanus för de hinditalande rösterna Arjun och Kiara samt den finsktalande rösten Suvi och uppger att hindi och finska nu för första gången är allmänt tillgängliga i Generative-motorn.

Med de nya rösterna omfattar Generative-katalogen nu totalt 57 röster på 11 språk och 25 språkvarianter, uppger AWS. De 14 nya rösterna är tillgängliga i 11 AWS-regioner: 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) och AWS GovCloud (US-West). Tillägget av GovCloud (US-West) utökar motorns geografiska täckning.

API:er, prissättning och dokumenterade begränsningar

Befintliga integrationer fortsätter att fungera oförändrat. Samma SynthesizeSpeech API-anrop når de uppgraderade rösterna när parametern engine är inställd på generative, och enligt AWS krävs inga kodändringar. För arbetsbelastningar i realtid gör det dubbelriktade strömnings-API:t StartSpeechSynthesisStream det möjligt för en applikation att strömma text till Amazon Polly och samtidigt ta emot syntetiserat ljud. AWS beskriver detta som ett väl lämpat tillvägagångssätt för röstassistenter och specialutformade karaktärer i spel.

Priserna är oförändrade. AWS uppger att uppgraderingen ger bättre röstkvalitet och träffsäkerhet till det befintliga priset, utan kostnadsökning, ny SKU eller ändringar av nuvarande integrationer. Kunder kan dessutom cachelagra och spela upp statiska, syntetiserade uppmaningar igen utan extra kostnad. Generative-motorn har även fortsatt stöd för taggar i Speech Synthesis Markup Language, som ger detaljerad kontroll över utdata.

Flera dokumenterade begränsningar kvarstår. Talmarkörer är fortfarande inte tillgängliga för generativa röster, medan standardröster och neurala röster, som inte påverkas av uppgraderingen, fortsatt har stöd för dem. Utvecklarhandboken upplyser om att Generative-motorn inte stöder talstilen för nyhetsuppläsare, att dubbelriktad strömning endast erbjuds i vissa regioner och att generativa röster som standard använder en samplingsfrekvens på 24 kHz med utdataformaten MP3, OGG (Vorbis) och rå PCM. Handboken beskriver också en inbyggd nödstoppmekanism som avbryter talsyntesen när modellen visar tecken på att kunna hallucinera, vanligtvis nära slutet av en mening. AWS varnar för att skyddsåtgärden minskar risken men inte eliminerar den, och att modellen i ovanliga fall kan kapa en del av ett ord eller fortsätta generera innehåll efter stoppegränsen.

Tillgänglighet och tidig användning hos kunder

Enligt AWS får flödena för kontaktcenter i Amazon Connect och Genesys automatiskt del av kvalitetsförbättringarna. Utvecklare kan använda rösterna via AWS Management Console, AWS Command Line Interface eller AWS SDK:er med IAM-behörigheten polly:SynthesizeSpeech. De kan också anropa DescribeVoices vid driftsättning för att bekräfta att en vald generativ röst är tillgänglig i den region där applikationen körs.

Justus Reinikainen, produktchef på Sanoma Media Finland, sade att företaget använder Amazon Polly för att omvandla sina nyhetsartiklar i realtid till ljud och för närvarande publicerar fler än 10 000 artiklar i månaden med Pollys finska neurala röst. Reinikainen sade att Suvis nya generativa röst i företagets tester innebar en tydlig förbättring jämfört med den tidigare neurala rösten och lät märkbart naturligare för lyssnarna.