Моделі та платформи ШІ
AWS оновлює генеративний рушій Amazon Polly, додаючи 14 нових голосів
Додайте Unite.AI до бажаних джерел у Google
22 жовтня 2026 року Amazon Web Services випустила загальнодоступне оновлення генеративного рушія синтезу мовлення Amazon Polly: додала 14 нових голосів для дев’яти локалей і вперше запровадила генеративні голоси гінді та фінською мовами. У дописі в блозі AWS про машинне навчання компанія описала оновлений рушій як такий, що забезпечує виразніше й точніше мовлення з низькою затримкою, і повідомила, що тепер він доступний для використання у виробничому середовищі.
Оновлення можна одразу інтегрувати замість наявних генеративних голосів: назви голосів і виклики API не змінилися, тож програми, які вже їх використовують, працюватимуть і надалі без жодних змін. AWS описує Amazon Polly як повністю керований сервіс, що перетворює текст на природне мовлення. Його використовують у контакт-центрах, агентних програмах на основі великих мовних моделей, медіа й розвагах, електронному навчанні, рішеннях для доступності та інших сценаріях, де потрібне надійне масштабоване відтворення мовлення.
Якість мовлення та конструкція рушія
За словами AWS, оновлені голоси можуть налаштовувати емоційне забарвлення й просодію відповідно до вхідного тексту без ручного конфігурування. В анонсі цю можливість демонструють на прикладі трьох варіантів прочитання того самого речення про завчасне прибуття посилки — нейтрального, невпевненого й здивованого, — а також за допомогою зразків аудіо. В одному з них голос Tiffany вітається зі слухачем і представляється як один із генеративних голосів Polly; в іншому голос Kenneth зачитує підтвердження замовлення, точно відтворюючи, за словами AWS, номер для відстеження, дату й часовий проміжок доставки, суму в грошовій одиниці та поштову адресу.
У посібнику розробника Amazon Polly генеративний рушій описано як найбільшу на сьогодні модель синтезу мовлення Amazon Polly. У ній трансформер із мільярдом параметрів перетворює необроблений текст на коди мовлення, а декодер на основі згорткової нейронної мережі перетворює ці коди на звукові хвилі поступово, у форматі, придатному для потокової передачі. У посібнику застерігають, що через належність цієї технології до генеративного ШІ оновлення навчальних даних і моделі можуть спричиняти незначні зміни звучання голосів, навіть якщо загальна якість поліпшується. Це варто враховувати під час синтезу контенту частинами протягом тривалого часу, наприклад сезону подкасту.
Нові голоси, мови та регіони
За локалями 14 нових голосів розподілено так: американська англійська (Kenneth, Nate), австралійська англійська (Russell, Curtis), індійська англійська (Kiara, Arjun), німецька (Tina), американська іспанська (Carlos), бразильська португальська (Leo, Carolina), корейська (Hyunduk), гінді (Kiara, Arjun) і фінська (Suvi). AWS опублікувала зразки текстів для голосів гінді Arjun і Kiara та фінського голосу Suvi й повідомила, що гінді та фінська вперше стали загальнодоступними в генеративному рушії.
За словами AWS, після цього доповнення каталог генеративних голосів налічує 57 голосів для 11 мов і 25 локалей. Нові 14 голосів доступні в 11 регіонах AWS: 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) і AWS GovCloud (US-West). Додавання AWS GovCloud (US-West) розширює географічне охоплення рушія.
API, ціни та задокументовані обмеження
Наявні інтеграції працюватимуть без змін. До оновлених голосів можна звертатися тим самим викликом API SynthesizeSpeech, задавши для параметра engine значення generative; за словами AWS, змінювати код не потрібно. Для сценаріїв реального часу двонапрямний потоковий API StartSpeechSynthesisStream дає змогу програмі передавати текст до Amazon Polly й водночас отримувати синтезоване аудіо. AWS зазначає, що такий підхід добре підходить для голосових агентів і спеціально створених персонажів у відеоіграх.
Ціни не змінюються. За словами AWS, оновлення покращує якість і точність голосів за тією самою ціною: вартість не зростає, нових SKU не додають, а наявні інтеграції не змінюються. Крім того, клієнти можуть кешувати й повторно відтворювати синтезовані статичні підказки без додаткової плати. Генеративний рушій і надалі підтримує теги мови розмітки синтезу мовлення для точного керування результатом.
Залишається чинним низка задокументованих обмежень. Мітки мовлення й надалі недоступні для генеративних голосів; стандартні й нейронні голоси, на які оновлення не вплинуло, продовжують їх підтримувати. У посібнику для розробників зазначено, що генеративний рушій не підтримує стиль мовлення диктора новин, двонапрямна потокова передача доступна лише в окремих регіонах, а частота дискретизації генеративних голосів за замовчуванням становить 24 кГц. Вихідні аудіоформати — MP3, OGG (Vorbis) і необроблений PCM. У посібнику також описано вбудований механізм аварійного зупинення, який припиняє відтворення мовлення, коли модель виявляє ймовірність галюцинації, зазвичай наприкінці речення. AWS попереджає, що цей захисний механізм знижує ризик, але не усуває його повністю: в окремих випадках модель може обірвати слово або продовжити генерувати текст після порогового моменту зупинення.
Доступність і перші приклади використання клієнтами
За даними AWS, покращення якості автоматично поширюються на сценарії роботи контакт-центрів Amazon Connect і Genesys. Розробники можуть працювати з голосами через AWS Management Console, AWS Command Line Interface або AWS SDK, використовуючи дозвіл IAM polly:SynthesizeSpeech, а під час розгортання викликати DescribeVoices, щоб переконатися, що вибраний генеративний голос доступний у регіоні, де працює застосунок.
Юстус Рейнікайнен, менеджер із продукту в Sanoma Media Finland, розповів, що компанія використовує Amazon Polly, щоб перетворювати статті новин у реальному часі на аудіо, і зараз публікує за допомогою нейронного голосу Polly фінською мовою понад 10 000 статей на місяць. За словами Рейнікайнена, під час тестування компанії новий генеративний голос Suvi виявився значно кращим за попередній нейронний голос і звучав для слухачів помітно природніше.
