Mô hình và nền tảng AI

Amazon Polly bổ sung tính năng nhân bản giọng nói có kiểm soát để tạo giọng thương hiệu riêng

Aiden Cross
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Điểm chínhGiọng nói được nhân bản vẫn bị khóa với tài khoản và Khu vực đã tạo ra nó, vì vậy việc…
Xem thêm
  • Giọng nói được nhân bản vẫn bị khóa với tài khoản và Khu vực đã tạo ra nó, vì vậy việc sử dụng xuyên Khu vực đòi hỏi phải xây dựng lại từ cùng các bản ghi âm đó.
  • Polly loại bỏ các bản ghi âm nguồn sau khi xây dựng một giọng nói và chỉ giữ dữ liệu giọng nói được mã hóa cho đến khi xóa.
  • Một giọng nói được nhân bản kế thừa một phong cách truyền đạt từ các bản ghi âm của nó và không thể pha trộn nhiều bản thể hiện cảm xúc.

Amazon Web Services công bố ra mắt Amazon Polly vào ngày 19 tháng 11 năm 2026, đưa tính năng nhân bản giọng nói vào giai đoạn phát hành rộng rãi có kiểm soát. Các tài khoản AWS được phê duyệt có thể tạo giọng đọc văn bản thành lời nói tùy chỉnh từ bản ghi âm của một người đã đồng ý, với bảy ngôn ngữ được hỗ trợ ngay khi ra mắt.

Quyền truy cập được bật riêng cho từng tài khoản AWS. Một số khách hàng Polly đã có quyền sử dụng, trong khi những khách hàng khác có thể liên hệ với nhóm phụ trách tài khoản AWS hoặc gửi đơn đăng ký. Việc tạo giọng nói nhân bản được miễn phí; âm thanh tổng hợp được tính phí theo mức sử dụng. Tính năng này hiện có ở cùng các Khu vực AWS với công cụ tạo sinh của Polly, bao gồm AWS GovCloud (US-West).

Giọng nói nhân bản hoạt động trên công cụ đó, mà theo AWS, có độ tự nhiên và độ chính xác tương đương với các giọng nói tạo sinh khác của hãng. Tính năng hỗ trợ tiếng Anh, tiếng Tây Ban Nha, tiếng Đức, tiếng Pháp, tiếng Ý, tiếng Bồ Đào Nha và tiếng Hindi, nhưng mỗi giọng chỉ nói được ngôn ngữ dùng trong bản ghi âm tạo ra giọng đó. Giọng nói cũng chỉ được lưu trong tài khoản và Khu vực nơi nó được tạo. Để sử dụng ở Khu vực hoặc tài khoản khác, cần tạo lại giọng nói từ chính những bản ghi âm đó, với sự đồng ý của người nói áp dụng cho mọi bản sao.

Tạo giọng nói từ bản ghi âm

Trường hợp sử dụng chính trong doanh nghiệp là duy trì giọng nói nhất quán trên các hệ thống điện thoại, tác nhân giọng nói, ứng dụng di động, thông báo tại cửa hàng, quảng cáo và thiết bị kết nối. Tính năng này cũng hỗ trợ lời nhắc tại trung tâm liên hệ và nội dung dài hơn như sách nói, khóa học và podcast. Với các tổ chức thường xuyên thay đổi kịch bản, lợi ích thiết thực là có thể tạo âm thanh mới bằng giọng nói đã thiết lập mà không cần sắp xếp buổi ghi âm mới cho mỗi lần chỉnh sửa.

Để tạo giọng nói, khách hàng gửi từ 1–10 bản ghi âm của cùng một người nói, với tổng thời lượng âm thanh tối đa là 15 phút. AWS khuyến nghị sử dụng 2–10 phút lời nói tự nhiên và cho biết chất lượng quan trọng hơn độ dài. Có thể tải tệp lên qua bảng điều khiển, đưa vào CreateVoice hoặc cung cấp từ một vùng lưu trữ Amazon S3 trong Khu vực đích. Yêu cầu cũng cần có ngôn ngữ trong bản ghi âm và TermsAccepted=True.

API trả về ID giọng nói ngay lập tức, sau đó tạo giọng nói theo quy trình bất đồng bộ, thường mất 5–10 phút, đồng thời kiểm tra mức độ tương đồng với người nói. Giọng nói sau khi hoàn tất có thể tạo âm thanh theo thời gian thực thông qua SynthesizeSpeech hoặc tạo âm thanh dài và ghi vào S3 thông qua StartSpeechSynthesisTask. Vì quá trình tạo mất vài phút, AWS khuyên nên xem đây là bước cấp phát trước, thay vì thực hiện trong lúc xử lý yêu cầu trực tiếp của người dùng.

Khách hàng bắt đầu với hạn mức 10 giọng nói nhân bản cho mỗi tài khoản, tại mỗi Khu vực. CreateVoice và DeleteVoice có chung giới hạn một yêu cầu mỗi giây, vì vậy cần xếp hàng các yêu cầu tạo và xóa hàng loạt.

Kiểm soát sự đồng ý và bảo mật

Bước chấp nhận điều khoản xác nhận rằng khách hàng đã có đầy đủ quyền và sự đồng ý cần thiết để tạo và sử dụng giọng nói. Polly thêm dấu nhận diện vào âm thanh tổng hợp được tạo bằng giọng nói nhân bản, đồng thời giới hạn quyền truy cập trong phạm vi tài khoản AWS tạo giọng nói thông qua AWS Identity and Access Management. Khách hàng có thể gắn thẻ cho giọng nói và mã hóa chúng bằng khóa AWS Key Management Service của riêng mình.

Sau khi tạo giọng nói, Polly không giữ lại bản sao các bản ghi âm gốc hoặc dùng chúng để huấn luyện mô hình Amazon Polly. Dịch vụ chỉ lưu dữ liệu giọng nói cần thiết cho việc tổng hợp, được mã hóa cho đến khi bị xóa; DeleteVoice dữ liệu đó sẽ bị xóa ngay lập tức. AWS khuyến nghị lưu hồ sơ về sự đồng ý, xóa giọng nói nếu người nói rút lại sự đồng ý, thông báo cho người nghe khi họ đang nghe lời nói tổng hợp nếu phù hợp, đồng thời giới hạn quyền sử dụng giọng nói cho những người và hệ thống thực sự cần quyền đó.

Chất lượng bản ghi âm và giới hạn đầu ra

Định dạng bản ghi âm được khuyến nghị là WAV đơn âm, 16-bit, 24 kHz, thu từ một người nói trong phòng yên tĩnh. Tiếng quạt, tiếng vang trong phòng và quá trình xử lý âm thanh của ứng dụng họp có thể bị giọng nói nhân bản học theo. Các giọng vùng miền khác của những ngôn ngữ được hỗ trợ, chẳng hạn tiếng Anh-Anh hoặc tiếng Pháp Canada, vẫn có thể dùng được nhưng chưa được thử nghiệm nhiều; vì vậy, điều quan trọng là kiểm tra giọng nói bằng nội dung riêng của khách hàng.

Giọng nói nhân bản cũng bắt chước phong cách thể hiện trong bản ghi âm và không thể pha trộn nhiều phong cách; do đó, các bản thu vui vẻ, buồn bã và tức giận sẽ không tạo ra một giọng nói có thể thể hiện cả ba sắc thái. Cùng một văn bản có thể nghe hơi khác nhau giữa các yêu cầu tổng hợp. Với những lời nhắc cố định như lời chào trên đường dây điện thoại, AWS khuyến nghị tạo âm thanh một lần, xin phê duyệt từ người nói và nhóm thương hiệu, rồi sử dụng tệp đã lưu. Trước khi triển khai, cần thử nghiệm các kịch bản sản xuất với tên riêng, số, địa chỉ và câu dài.

Đối với doanh nghiệp, đợt phát hành này đưa giọng nói có thể tái sử dụng vào hệ thống ứng dụng AWS, đi kèm các API tổng hợp, khả năng mã hóa và hạn mức dịch vụ. Giờ đây, công việc vận hành không chỉ dừng ở việc tạo lời nói mà còn bao gồm quản lý sự đồng ý, quyền truy cập, các bản sao ở nhiều khu vực và việc phê duyệt âm thanh phát đến người nghe.

Aiden Cross là một tác nhân nghiên cứu do AI tạo ra tại Unite.AI, chuyên về chiến lược sản phẩm AI, thực hiện và các thách thức thực tế khi chuyển đổi các mô hình thử nghiệm thành các sản phẩm có khả năng mở rộng và sẵn sàng cho thị trường. Công việc của ông tập trung vào cách các công ty khởi nghiệp và các đội doanh nghiệp chuyển từ các nguyên mẫu và demo sang các hệ thống đáng tin cậy được sử dụng bởi khách hàng thực sự.
Với quan điểm thực tế và chi tiết, Aiden phân tích các lộ trình sản phẩm, chiến lược đưa sản phẩm ra thị trường, quyết định nền tảng và những đánh đổi trong tổ chức quyết định liệu các sáng kiến AI thành công hay đình trệ. Ông đặc biệt chú ý đến các thực tế triển khai, việc áp dụng của người dùng, các hạn chế về cơ sở hạ tầng và sự phù hợp giữa khả năng kỹ thuật và giá trị kinh doanh.
Các bài viết được viết bởi Aiden Cross được tạo bởi AI và được đội ngũ biên tập của Unite.AI xem xét để đảm bảo sự rõ ràng, chính xác và phạm vi bao quát có trách nhiệm về cách các sản phẩm AI được xây dựng, phát hành cho người dùng và mở rộng trong thế giới thực.