โมเดลและแพลตฟอร์ม AI
Amazon Polly เพิ่มการโคลนเสียงแบบจำกัดสิทธิ์ สำหรับสร้างเสียงแบรนด์แบบกำหนดเอง

ประเด็นสำคัญเสียงที่โคลนจะถูกล็อกไว้กับบัญชีและภูมิภาคที่สร้างขึ้น…
ดูเพิ่มเติม
- เสียงที่โคลนจะถูกล็อกไว้กับบัญชีและภูมิภาคที่สร้างขึ้น ดังนั้นการใช้ข้ามภูมิภาคจึงต้องสร้างใหม่จากไฟล์บันทึกเสียงเดียวกัน
- Polly จะทิ้งไฟล์บันทึกเสียงต้นฉบับหลังจากสร้างเสียงแล้ว และเก็บไว้เพียงข้อมูลเสียงที่เข้ารหัสจนกว่าจะลบ
- เสียงที่โคลนจะสืบทอดรูปแบบการส่งเสียงหนึ่งรูปแบบจากไฟล์บันทึกเสียง และไม่สามารถผสมผสานการแสดงอารมณ์หลายแบบเข้าด้วยกัน
Amazon Web Services ประกาศเปิดตัว Amazon Polly เมื่อวันที่ 19 พฤศจิกายน 2026 โดยเปิดให้ใช้ฟีเจอร์โคลนเสียงเป็นการทั่วไปภายใต้รูปแบบที่ต้องได้รับอนุมัติ บัญชี AWS ที่ได้รับอนุมัติสามารถสร้างเสียงแปลงข้อความเป็นเสียงพูดแบบกำหนดเองจากไฟล์บันทึกเสียงของผู้พูดคนเดียวที่ให้ความยินยอม โดยในช่วงเปิดตัวรองรับ 7 ภาษา
การเปิดใช้สิทธิ์ดำเนินการแยกเป็นรายบัญชี AWS ลูกค้า Polly บางรายได้รับสิทธิ์แล้ว ส่วนรายอื่นสามารถติดต่อทีมดูแลบัญชี AWS หรือยื่นคำขอได้ การสร้างเสียงที่โคลนไม่มีค่าใช้จ่าย ส่วนเสียงสังเคราะห์คิดค่าบริการตามการใช้งาน ฟีเจอร์นี้ให้บริการใน AWS Region เดียวกับที่มีเอนจินสร้างเสียงของ Polly รวมถึง AWS GovCloud (US-West)
เสียงที่โคลนจะทำงานบนเอนจินดังกล่าว ซึ่ง AWS ระบุว่าให้เสียงที่เป็นธรรมชาติและแม่นยำใกล้เคียงกับเสียงที่สร้างด้วย AIแบบอื่นของบริษัท ระบบรองรับภาษาอังกฤษ สเปน เยอรมัน ฝรั่งเศส อิตาลี โปรตุเกส และฮินดี แต่เสียงแต่ละเสียงจะพูดได้เฉพาะภาษาที่ใช้บันทึกเสียงนั้น นอกจากนี้ เสียงจะยังคงอยู่ในบัญชีและ Region ที่สร้างเสียงไว้ หากต้องการใช้งานใน Region หรือบัญชีอื่น ต้องสร้างเสียงนั้นใหม่จากไฟล์บันทึกเสียงชุดเดิม โดยความยินยอมของผู้พูดต้องครอบคลุมสำเนาทุกชุด
สร้างเสียงจากไฟล์บันทึกเสียง
การใช้งานหลักในองค์กรคือการใช้เสียงเดียวกันอย่างสม่ำเสมอในระบบโทรศัพท์ เอเจนต์เสียง แอปมือถือ ประกาศภายในร้าน โฆษณา และอุปกรณ์ที่เชื่อมต่อ ฟีเจอร์นี้ยังรองรับข้อความแจ้งเตือนสำหรับศูนย์บริการลูกค้า และเนื้อหารูปแบบยาว เช่น หนังสือเสียง หลักสูตร และพอดแคสต์ สำหรับองค์กรที่มีการเปลี่ยนสคริปต์อยู่เสมอ จุดเด่นในทางปฏิบัติคือสามารถสร้างเสียงใหม่ด้วยเสียงที่ใช้อยู่แล้วได้ โดยไม่ต้องจัดรอบบันทึกเสียงใหม่ทุกครั้งที่แก้ไข
หากต้องการสร้างเสียง ลูกค้าต้องส่งไฟล์บันทึกเสียงของผู้พูดคนเดียว 1–10 ไฟล์ โดยมีความยาวเสียงรวมไม่เกิน 15 นาที AWS แนะนำให้ใช้เสียงพูดตามธรรมชาติ 2–10 นาที และระบุว่าคุณภาพสำคัญกว่าความยาว ไฟล์สามารถอัปโหลดผ่านคอนโซล รวมไว้ใน CreateVoice หรือส่งมาจากบัคเก็ต Amazon S3 ใน Region เป้าหมาย คำขอยังต้องระบุภาษาที่ใช้บันทึกเสียงและ TermsAccepted=True.
API จะส่งคืนรหัสเสียงทันที จากนั้นจึงสร้างเสียงแบบอะซิงโครนัส ซึ่งโดยทั่วไปใช้เวลา 5–10 นาที พร้อมตรวจสอบความคล้ายคลึงกับเสียงของผู้พูด เมื่อสร้างเสร็จแล้ว เสียงนั้นจะสร้างเสียงแบบเรียลไทม์ผ่าน SynthesizeSpeech หรือสร้างเสียงรูปแบบยาวและบันทึกลง S3 ผ่าน StartSpeechSynthesisTask. เนื่องจากการสร้างเสียงใช้เวลาหลายนาที AWS จึงแนะนำให้ดำเนินการเตรียมเสียงไว้ล่วงหน้า แทนที่จะทำเป็นส่วนหนึ่งของคำขอจากผู้ใช้ที่กำลังใช้งานอยู่
ลูกค้าจะได้รับโควตาเริ่มต้น 10 เสียงที่โคลนต่อบัญชีต่อ Region CreateVoice และ DeleteVoice มีขีดจำกัดร่วมกันที่ 1 คำขอต่อวินาที ดังนั้นการสร้างหรือลบเสียงจำนวนมากจึงต้องจัดคิว
การควบคุมความยินยอมและความปลอดภัย
ขั้นตอนยอมรับข้อกำหนดยืนยันว่าลูกค้าได้รับสิทธิ์และความยินยอมทั้งหมดที่จำเป็นต่อการสร้างและใช้เสียงแล้ว Polly จะเพิ่มลายน้ำลงในเสียงสังเคราะห์ที่สร้างด้วยเสียงโคลน และจำกัดสิทธิ์การเข้าถึงไว้เฉพาะบัญชี AWS ที่สร้างเสียงผ่าน AWS Identity and Access Management ลูกค้าสามารถกำหนดแท็กให้เสียงและเข้ารหัสเสียงด้วยคีย์ AWS Key Management Service ของตนเองได้
หลังสร้างเสียงแล้ว Polly จะไม่เก็บสำเนาไฟล์บันทึกเสียงต้นฉบับไว้ และจะไม่นำไฟล์เหล่านั้นไปฝึกโมเดล Amazon Polly โดยจะเก็บไว้เฉพาะข้อมูลเสียงที่จำเป็นต่อการสังเคราะห์ ซึ่งเข้ารหัสไว้จนกว่าจะลบข้อมูลนั้น; DeleteVoice ระบบจะลบข้อมูลดังกล่าวทันที AWS แนะนำให้เก็บบันทึกความยินยอมไว้ ลบเสียงหากมีการถอนความยินยอม แจ้งผู้ฟังเมื่อกำลังได้ยินเสียงสังเคราะห์ตามความเหมาะสม และจำกัดสิทธิ์การใช้เสียงไว้เฉพาะบุคคลและระบบที่จำเป็น
คุณภาพการบันทึกเสียงและข้อจำกัดของเสียงที่สร้าง
รูปแบบการบันทึกเสียงที่แนะนำคือ WAV แบบโมโน 16 บิต ที่ 24 kHz บันทึกเสียงจากผู้พูดคนเดียวในห้องเงียบ เสียงพัดลม เสียงก้องในห้อง และการประมวลผลเสียงของแอปประชุมอาจกลายเป็นสิ่งที่ระบบโคลนเรียนรู้ไปด้วย สำเนียงอื่นของภาษาที่รองรับ เช่น ภาษาอังกฤษแบบบริติชหรือภาษาฝรั่งเศสแบบแคนาดา อาจใช้งานได้แต่ผ่านการทดสอบน้อยกว่า จึงควรตรวจสอบเสียงด้วยเนื้อหาของลูกค้าเอง
เสียงที่โคลนยังถ่ายทอดรูปแบบการพูดตามไฟล์บันทึกเสียง และไม่สามารถผสมรูปแบบการพูดหลายแบบเข้าด้วยกันได้ ดังนั้น การบันทึกเสียงร่าเริง เศร้า และโกรธ จะไม่ทำให้ได้เสียงเดียวที่แสดงอารมณ์ได้ครบทั้งสามแบบ ข้อความเดียวกันอาจฟังแตกต่างกันเล็กน้อยในแต่ละครั้งที่สั่งสังเคราะห์ สำหรับข้อความแจ้งเตือนที่ใช้ตายตัว เช่น คำทักทายทางโทรศัพท์ AWS แนะนำให้สร้างเสียงเพียงครั้งเดียว ขออนุมัติจากผู้พูดและทีมแบรนด์ แล้วนำไฟล์ที่จัดเก็บไว้มาให้บริการ ก่อนนำไปใช้งานจริง ควรทดสอบสคริปต์ด้วยชื่อ ตัวเลข ที่อยู่ และประโยคยาว
สำหรับองค์กร การเปิดตัวครั้งนี้ทำให้เสียงที่นำกลับมาใช้ซ้ำได้กลายเป็นส่วนหนึ่งของชุดแอปพลิเคชัน AWS พร้อม API สำหรับสังเคราะห์เสียง การเข้ารหัส และโควตาการใช้บริการ ภารกิจด้านการปฏิบัติงานจึงไม่ได้จำกัดอยู่แค่การสร้างเสียงพูดอีกต่อไป แต่ยังครอบคลุมการจัดการความยินยอม สิทธิ์การเข้าถึง สำเนาเสียงในแต่ละ Region และการอนุมัติเสียงที่จะส่งถึงผู้ฟังด้วย












