AWS อัปเกรด Generative Engine ของ Amazon Polly เพิ่มเสียงใหม่ 14 เสียง

เมื่อวันที่ 22 ตุลาคม 2026 Amazon Web Services เปิดให้อัปเกรด Generative text-to-speech engine ของ Amazon Polly ใช้งานทั่วไป โดยเพิ่มเสียงใหม่ 14 เสียงใน 9 โลแคล และเพิ่มเสียงสำหรับภาษาฮินดีกับภาษาฟินแลนด์เป็นครั้งแรก ในบล็อกโพสต์ด้านแมชชีนเลิร์นนิงของ AWS บริษัทระบุว่าเอนจินที่อัปเดตแล้วสร้างเสียงพูดที่ถ่ายทอดอารมณ์ได้มากขึ้นและแม่นยำขึ้น โดยมีความหน่วงต่ำ และพร้อมใช้งานในระบบจริงแล้ว

การเปิดตัวครั้งนี้เป็นการอัปเกรดที่นำมาใช้แทนของเดิมได้ทันทีสำหรับเสียง Generative ที่มีอยู่ โดยชื่อเสียงและการเรียก API ยังคงเหมือนเดิม แอปพลิเคชันที่ใช้งานเสียงเหล่านี้อยู่แล้วจึงทำงานต่อได้โดยไม่ต้องแก้ไข AWS อธิบายว่า Amazon Polly เป็นบริการที่มีการจัดการเต็มรูปแบบ ซึ่งแปลงข้อความเป็นเสียงพูดที่ฟังเป็นธรรมชาติ และนำไปใช้กับศูนย์บริการลูกค้า แอปพลิเคชันแบบเอเจนต์ที่สร้างด้วยโมเดลภาษาขนาดใหญ่ สื่อและความบันเทิง การเรียนรู้ออนไลน์ การช่วยการเข้าถึง และงานอื่น ๆ ที่ต้องการเสียงพูดที่เชื่อถือได้ในวงกว้าง

คุณภาพเสียงพูดและการออกแบบเอนจิน

AWS ระบุว่าเสียงที่อัปเกรดแล้วสามารถปรับอารมณ์และจังหวะเสียงให้สอดคล้องกับข้อความที่ป้อนเข้าไปได้โดยไม่ต้องตั้งค่าด้วยตนเอง ตัวอย่างในประกาศสาธิตการทำงานนี้ด้วยการอ่านข้อความเดียวกันเกี่ยวกับพัสดุที่มาถึงก่อนกำหนด 3 แบบ ได้แก่ แบบน้ำเสียงเป็นกลาง แบบไม่แน่ใจ และแบบประหลาดใจ พร้อมตัวอย่างเสียง ในตัวอย่างหนึ่ง เสียงของ Tiffany ทักทายผู้ฟังและแนะนำตัวว่าเป็นหนึ่งในเสียง Generative ของ Polly ส่วนอีกตัวอย่างหนึ่ง เสียงของ Kenneth อ่านข้อมูลยืนยันคำสั่งซื้อ โดย AWS ระบุว่าอ่านหมายเลขติดตามพัสดุ วันที่จัดส่งและช่วงเวลาจัดส่ง ยอดรวมในสกุลเงิน และที่อยู่ถนนได้อย่างแม่นยำ

คู่มือนักพัฒนา Amazon Pollyอธิบายว่า Generative engine เป็นโมเดลแปลงข้อความเป็นเสียงพูดที่ใหญ่ที่สุดของ Amazon Polly จนถึงปัจจุบัน โดยประกอบด้วยทรานส์ฟอร์เมอร์ขนาดหนึ่งพันล้านพารามิเตอร์ ซึ่งแปลงข้อความดิบเป็นรหัสเสียงพูด และตัวถอดรหัสที่อาศัยโครงข่ายคอนโวลูชัน ซึ่งแปลงรหัสดังกล่าวเป็นรูปคลื่นเสียงอย่างต่อเนื่องและรองรับการสตรีม คู่มือเตือนว่า เนื่องจากเทคโนโลยีนี้อยู่ในกลุ่มปัญญาประดิษฐ์เชิงกำเนิด การอัปเดตข้อมูลฝึกและโมเดลอาจทำให้ลักษณะเสียงพูดเปลี่ยนแปลงเล็กน้อย แม้คุณภาพโดยรวมจะดีขึ้นก็ตาม เรื่องนี้ควรคำนึงถึงเมื่อนำไปสังเคราะห์เนื้อหาเป็นช่วง ๆ เป็นเวลานาน เช่น พอดแคสต์หนึ่งซีซัน

เสียง ภาษา และภูมิภาคใหม่

เสียงใหม่ทั้ง 14 เสียงแบ่งตามโลแคลดังนี้: ภาษาอังกฤษแบบสหรัฐฯ (Kenneth, Nate), ภาษาอังกฤษแบบออสเตรเลีย (Russell, Curtis), ภาษาอังกฤษแบบอินเดีย (Kiara, Arjun), ภาษาเยอรมัน (Tina), ภาษาสเปนแบบสหรัฐฯ (Carlos), ภาษาโปรตุเกสแบบบราซิล (Leo, Carolina), ภาษาเกาหลี (Hyunduk), ภาษาฮินดี (Kiara, Arjun) และภาษาฟินแลนด์ (Suvi) AWS เผยแพร่สคริปต์ตัวอย่างสำหรับเสียงภาษาฮินดี Arjun และ Kiara รวมถึงเสียงภาษาฟินแลนด์ Suvi และระบุว่าภาษาฮินดีกับภาษาฟินแลนด์เปิดให้ใช้งานทั่วไปบน Generative engine เป็นครั้งแรก

AWS ระบุว่า เมื่อเพิ่มเสียงชุดนี้แล้ว แค็ตตาล็อก Generative มีเสียงทั้งหมด 57 เสียง ครอบคลุม 11 ภาษาและ 25 โลแคล เสียงใหม่ทั้ง 14 เสียงพร้อมใช้งานใน AWS Region 11 แห่ง ได้แก่ สหรัฐอเมริกาฝั่งตะวันออก (เวอร์จิเนียตอนเหนือ), สหรัฐอเมริกาฝั่งตะวันตก (ออริกอน), ยุโรป (แฟรงก์เฟิร์ต), ยุโรป (ซูริก), ยุโรป (ลอนดอน), เอเชียแปซิฟิก (ซิดนีย์), เอเชียแปซิฟิก (โซล), เอเชียแปซิฟิก (สิงคโปร์), เอเชียแปซิฟิก (โตเกียว), แคนาดา (ภาคกลาง) และ AWS GovCloud (US-West) โดยการเพิ่ม AWS GovCloud (US-West) ช่วยขยายพื้นที่ให้บริการของเอนจิน

API ราคา และข้อจำกัดที่ระบุไว้ในเอกสาร

การเชื่อมต่อที่มีอยู่ยังคงใช้งานได้โดยไม่มีการเปลี่ยนแปลง การเรียก SynthesizeSpeech API แบบเดิม โดยกำหนดพารามิเตอร์ engine เป็น generative จะเรียกใช้เสียงที่อัปเกรดแล้วได้ และ AWS ระบุว่าไม่จำเป็นต้องแก้ไขโค้ด สำหรับงานแบบเรียลไทม์ API สตรีมมิงสองทิศทาง StartSpeechSynthesisStream ช่วยให้แอปพลิเคชันส่งข้อความไปยัง Amazon Polly แบบสตรีม พร้อมรับเสียงที่สังเคราะห์แล้วกลับมาได้ในเวลาเดียวกัน AWS ระบุว่ารูปแบบนี้เหมาะอย่างยิ่งสำหรับเอเจนต์เสียงและตัวละครที่ออกแบบขึ้นเฉพาะในเกม

ราคายังคงเท่าเดิม AWS ระบุว่าการอัปเกรดนี้ช่วยปรับปรุงคุณภาพและความแม่นยำของเสียง โดยคิดราคาเท่าเดิม ไม่มีการเพิ่มค่าใช้จ่าย ไม่มี SKU ใหม่ และไม่มีการเปลี่ยนแปลงการเชื่อมต่อที่ใช้อยู่ นอกจากนี้ ลูกค้ายังสามารถแคชและเล่นข้อความเสียงคงที่ที่สังเคราะห์ไว้ซ้ำได้โดยไม่มีค่าใช้จ่ายเพิ่มเติม Generative engine ยังคงรองรับแท็ก Speech Synthesis Markup Language เพื่อให้ควบคุมเสียงที่สร้างได้อย่างละเอียด

ข้อจำกัดหลายประการที่ระบุไว้ยังคงมีผลอยู่ เสียงพูดที่สร้างด้วยเสียง Generative ยังไม่รองรับเครื่องหมายกำกับเสียงพูด ส่วนเสียงมาตรฐานและเสียงประสาทเทียมซึ่งไม่ได้รับผลกระทบจากการอัปเกรดนี้ ยังคงรองรับเครื่องหมายดังกล่าว คู่มือนักพัฒนาระบุว่า Generative engine ไม่รองรับรูปแบบการพูดแบบผู้ประกาศข่าว การสตรีมสองทิศทางให้บริการเฉพาะในบางภูมิภาค และเสียง Generative ใช้อัตราการสุ่มตัวอย่างเริ่มต้นที่ 24 kHz โดยรองรับรูปแบบเอาต์พุต MP3, OGG (Vorbis) และ PCM ดิบ คู่มือยังอธิบายกลไกหยุดฉุกเฉินในตัว ซึ่งจะหยุดการสร้างเสียงเมื่อโมเดลมีแนวโน้มที่จะหลอนข้อมูล โดยมักเกิดขึ้นใกล้ท้ายประโยค AWS เตือนว่ามาตรการป้องกันนี้ช่วยลดความเสี่ยงแต่ไม่อาจกำจัดความเสี่ยงได้ทั้งหมด และในบางกรณีที่เกิดขึ้นไม่บ่อย โมเดลอาจตัดเสียงบางส่วนของคำ หรือสร้างเนื้อหาต่อเลยจุดที่กำหนดให้หยุด

ความพร้อมให้บริการและการใช้งานช่วงแรกของลูกค้า

AWS ระบุว่า การปรับปรุงคุณภาพจะส่งต่อไปยังขั้นตอนการทำงานของศูนย์ติดต่อ Amazon Connect และ Genesys โดยอัตโนมัติ นักพัฒนาสามารถใช้งานเสียงเหล่านี้ผ่าน AWS Management Console, AWS Command Line Interface หรือ AWS SDK โดยต้องมีสิทธิ์ IAM polly:SynthesizeSpeech และสามารถเรียกใช้ DescribeVoices ขณะนำระบบไปใช้งาน เพื่อตรวจสอบว่าเสียงสังเคราะห์แบบเจเนอเรทีฟที่เลือกพร้อมใช้งานในรีเจียนที่แอปพลิเคชันทำงานอยู่หรือไม่

Justus Reinikainen ผู้จัดการผลิตภัณฑ์ของ Sanoma Media Finland กล่าวว่า บริษัทใช้ Amazon Polly แปลงบทความข่าวแบบเรียลไทม์ให้เป็นเสียง และขณะนี้เผยแพร่บทความผ่านเสียงพูดแบบนิวรัลภาษาฟินแลนด์ของ Polly มากกว่า 10,000 บทความต่อเดือน Reinikainen กล่าวว่า จากการทดสอบของบริษัท เสียงสังเคราะห์แบบเจเนอเรทีฟ Suvi รุ่นใหม่พัฒนาขึ้นอย่างชัดเจนเมื่อเทียบกับเสียงพูดแบบนิวรัลรุ่นก่อน และฟังเป็นธรรมชาติมากขึ้นอย่างเห็นได้ชัดสำหรับผู้ฟัง