Моделі та платформи ШІ
Amazon Polly додає клонування голосу з контрольованим доступом для створення голосів бренду

Ключові моментиКлоновані голоси залишаються прив'язаними до облікового запису та регіону, у яких їх…
Показати більше
- Клоновані голоси залишаються прив'язаними до облікового запису та регіону, у яких їх створено, тому використання в іншому регіоні потребує повторного створення з тих самих записів.
- Polly видаляє вихідні записи після створення голосу та зберігає лише зашифровані дані голосу до моменту видалення.
- Клонований голос успадковує один стиль мовлення зі своїх записів і не може поєднувати кілька емоційних варіантів.
19 листопада 2026 року Amazon Web Services оголосила про випуск Amazon Polly, зробивши клонування голосу загальнодоступним у межах випуску з контрольованим доступом. Схвалені облікові записи AWS можуть створювати власні голоси для перетворення тексту на мовлення на основі записів одного мовця, який надав згоду. На момент запуску підтримуються сім мов.
Доступ надається для кожного облікового запису AWS окремо. Окремі клієнти Polly вже мають доступ, а решта можуть звернутися до команди супроводу свого облікового запису AWS або подати заявку. Створення клонованого голосу безкоштовне; за синтезоване аудіо стягується плата відповідно до фактичного використання. Функція доступна в тих самих регіонах AWS, що й генеративний рушій Polly, зокрема в AWS GovCloud (US-West).
Клоновані голоси працюють на цьому рушії, який, за словами AWS, забезпечує природність і точність, подібні до інших генеративних голосів. Підтримуються англійська, іспанська, німецька, французька, італійська, португальська та гінді, але кожен голос може звучати лише тією мовою, якою його було записано. Голос також залишається в обліковому записі та регіоні, де його створили. Щоб використовувати його в іншому регіоні чи обліковому записі, потрібно створити його повторно з тих самих записів; згода мовця має охоплювати кожну копію.
Створення голосу на основі записів
Основне корпоративне застосування — забезпечення однакового голосу в телефонних системах, голосових агентах, мобільних застосунках, оголошеннях у магазинах, рекламі та підключених пристроях. Функція також підтримує підказки для контакт-центрів і довший контент, як-от аудіокнижки, курси й подкасти. Для організацій, у яких змінюються сценарії, практична перевага полягає в тому, що можна створювати нове аудіо звичним голосом без організації нового запису для кожного виправлення.
Щоб створити голос, клієнт надсилає від 1 до 10 записів одного мовця загальною тривалістю аудіо не більш як 15 хвилин. AWS рекомендує 2–10 хвилин природного мовлення й зазначає, що якість важливіша за тривалість. Файли можна завантажити через консоль, додати до CreateVoice або передати з кошика Amazon S3 у цільовому регіоні. У запиті також потрібно вказати мову запису та TermsAccepted=True.
API одразу повертає ідентифікатор голосу, а потім створює голос асинхронно — зазвичай за 5–10 хвилин — і перевіряє схожість із голосом мовця. Створений голос може генерувати аудіо в реальному часі через SynthesizeSpeech або довге аудіо, яке записується в S3 через StartSpeechSynthesisTask. Оскільки створення триває кілька хвилин, AWS радить розглядати його як попередній етап підготовки, а не як частину обробки запиту користувача в реальному часі.
Спочатку клієнтам надається квота на 10 клонованих голосів для кожного облікового запису в кожному регіоні. CreateVoice і DeleteVoice мають спільне обмеження — один запит на секунду, тому масове створення та видалення голосів потрібно ставити в чергу.
Згода та засоби безпеки
На етапі прийняття умов клієнт підтверджує, що отримав усі права й згоди, необхідні для створення та використання голосу. Polly додає водяний знак до синтезованого аудіо, створеного за допомогою клонованого голосу, а доступ обмежується обліковим записом AWS, у якому його створили, за допомогою AWS Identity and Access Management. Клієнти можуть додавати до голосів теги й шифрувати їх власним ключем AWS Key Management Service.
Після створення Polly не зберігає власну копію вихідних записів і не використовує їх для навчання моделей Amazon Polly. Сервіс зберігає лише дані голосу, потрібні для синтезу; їх зашифровано до моменту видалення; DeleteVoice негайно видаляє ці дані. AWS рекомендує зберігати підтвердження згоди, видаляти голос у разі відкликання згоди, за потреби повідомляти слухачам, що вони чують синтезоване мовлення, а також надавати дозволи на використання голосу лише тим людям і системам, яким вони необхідні.
Якість запису й обмеження вихідного аудіо
Рекомендований формат запису — моно, WAV із розрядністю 16 біт і частотою дискретизації 24 кГц; запис має містити одного мовця в тихому приміщенні. Клон може засвоїти шум вентилятора, відлуння в кімнаті та обробку звуку в застосунку для зустрічей. Інші акценти підтримуваних мов, наприклад британська англійська чи канадська французька, можуть працювати, але їх перевіряли менше, тому важливо випробувати голос на власному контенті клієнта.
Клонований голос також переймає манеру мовлення із записів і не може поєднувати кілька стилів. Тож записи з бадьорою, сумною та сердитою інтонацією не дадуть одного голосу, здатного передавати всі три. Той самий текст може звучати дещо по-різному в різних запитах на синтез. Для фіксованих підказок, наприклад привітань у телефонній лінії, AWS рекомендує згенерувати аудіо один раз, отримати схвалення мовця та команди бренду, а потім відтворювати збережений файл. Перед розгортанням виробничі сценарії слід перевірити на іменах, числах, адресах і довгих реченнях.
Для підприємств цей випуск робить багаторазово використовуваний голос частиною стека застосунків AWS, разом із API синтезу, шифруванням і квотами на використання сервісу. Тепер операційні завдання охоплюють не лише генерування мовлення, а й керування згодою, доступом, копіями в різних регіонах і схваленням аудіо, яке чують слухачі.












