AWS nâng cấp công cụ Generative của Amazon Polly với 14 giọng đọc mới

Ngày 22 tháng 10 năm 2026, Amazon Web Services phát hành bản nâng cấp sẵn sàng sử dụng rộng rãi cho công cụ chuyển văn bản thành giọng nói Generative của Amazon Polly, bổ sung 14 giọng đọc ở 9 ngôn ngữ-vùng và lần đầu đưa giọng đọc Generative đến với tiếng Hindi và tiếng Phần Lan. Trong một bài đăng trên blog về máy học của AWS, công ty cho biết công cụ được cập nhật tạo ra giọng nói giàu biểu cảm và chính xác hơn, có độ trễ thấp, hiện đã sẵn sàng đưa vào môi trường sản xuất.

Bản phát hành này là bản nâng cấp có thể áp dụng trực tiếp cho các giọng đọc Generative hiện có: tên giọng đọc và lệnh gọi API không thay đổi, vì vậy những ứng dụng đang sử dụng chúng vẫn hoạt động mà không cần chỉnh sửa. AWS mô tả Amazon Polly là một dịch vụ được quản lý hoàn toàn, chuyển văn bản thành giọng nói tự nhiên; dịch vụ này được dùng cho các trung tâm liên hệ, ứng dụng dạng tác tử xây dựng trên các mô hình ngôn ngữ lớn, lĩnh vực truyền thông và giải trí, học trực tuyến, khả năng tiếp cận và những khối lượng công việc khác cần đầu ra giọng nói đáng tin cậy trên quy mô lớn.

Chất lượng giọng nói và thiết kế công cụ

AWS cho biết các giọng đọc được nâng cấp có thể điều chỉnh cảm xúc và ngữ điệu theo văn bản đầu vào mà không cần thiết lập thủ công. Thông báo minh họa khả năng này bằng ba cách đọc cùng một câu nói về một gói hàng đến sớm — một cách đọc trung tính, một cách đọc thể hiện sự không chắc chắn và một cách đọc ngạc nhiên — cùng các đoạn âm thanh mẫu. Trong một mẫu, giọng đọc Tiffany chào người nghe và tự giới thiệu là một trong các giọng đọc Generative của Polly; trong mẫu khác, giọng đọc Kenneth đọc lại thông tin xác nhận đơn hàng. AWS cho biết phần đọc này thể hiện chính xác mã theo dõi, ngày giao hàng và khung giờ giao hàng, tổng tiền bằng một loại tiền tệ, cùng địa chỉ đường phố.

Hướng dẫn dành cho nhà phát triển Amazon Polly mô tả công cụ Generative là mô hình chuyển văn bản thành giọng nói lớn nhất từ trước đến nay của Amazon Polly. Công cụ này kết hợp một mô hình biến áp có một tỷ tham số, chuyển văn bản thô thành mã giọng nói, với bộ giải mã dựa trên mạng tích chập, biến các mã đó thành dạng sóng theo cách tăng dần và có thể truyền phát. Hướng dẫn lưu ý rằng vì công nghệ này thuộc mô hình AI tạo sinh, những cập nhật đối với dữ liệu huấn luyện và mô hình có thể khiến âm thanh giọng đọc thay đổi đôi chút ngay cả khi chất lượng tổng thể được cải thiện. Đây là điều cần cân nhắc với nội dung được tổng hợp thành từng phần trong thời gian dài, chẳng hạn như một mùa podcast.

Giọng đọc, ngôn ngữ và khu vực mới

Theo từng ngôn ngữ-vùng, 14 giọng đọc mới gồm tiếng Anh Mỹ (Kenneth, Nate), tiếng Anh Úc (Russell, Curtis), tiếng Anh Ấn Độ (Kiara, Arjun), tiếng Đức (Tina), tiếng Tây Ban Nha Mỹ (Carlos), tiếng Bồ Đào Nha Brazil (Leo, Carolina), tiếng Hàn (Hyunduk), tiếng Hindi (Kiara, Arjun) và tiếng Phần Lan (Suvi). AWS đã công bố các đoạn lời thoại mẫu cho hai giọng đọc tiếng Hindi Arjun và Kiara, cùng giọng đọc tiếng Phần Lan Suvi; đồng thời cho biết tiếng Hindi và tiếng Phần Lan lần đầu tiên được cung cấp rộng rãi trên công cụ Generative.

AWS cho biết sau khi bổ sung, danh mục Generative hiện có tổng cộng 57 giọng đọc, trải rộng trên 11 ngôn ngữ và 25 ngôn ngữ-vùng. 14 giọng đọc mới hiện có tại 11 Khu vực 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) và AWS GovCloud (US-West). Việc bổ sung GovCloud (US-West) giúp mở rộng phạm vi triển khai của công cụ.

API, giá cả và các giới hạn được ghi nhận

Các tích hợp hiện có tiếp tục hoạt động như trước. Cùng một lệnh gọi API SynthesizeSpeech, với tham số engine được đặt thành generative, sẽ sử dụng các giọng đọc đã nâng cấp; AWS cho biết không cần thay đổi mã. Với các khối lượng công việc thời gian thực, API truyền phát hai chiều StartSpeechSynthesisStream cho phép ứng dụng truyền văn bản đến Amazon Polly đồng thời nhận lại âm thanh đã tổng hợp. Theo AWS, cách thức này đặc biệt phù hợp với các tác tử giọng nói và nhân vật tùy chỉnh trong trò chơi.

Giá vẫn giữ nguyên. AWS cho biết bản nâng cấp cải thiện chất lượng và độ chính xác của giọng đọc ở mức giá hiện tại, không tăng chi phí, không bổ sung SKU mới và không thay đổi các tích hợp hiện có; khách hàng cũng có thể lưu vào bộ nhớ đệm và phát lại các lời nhắc tĩnh đã tổng hợp mà không mất thêm phí. Công cụ Generative cũng tiếp tục hỗ trợ các thẻ của Ngôn ngữ đánh dấu tổng hợp giọng nói, cho phép kiểm soát đầu ra một cách chi tiết.

Một số giới hạn đã được ghi nhận vẫn còn áp dụng. Dấu mốc lời nói vẫn chưa khả dụng với các giọng đọc Generative; các giọng đọc tiêu chuẩn và mạng nơ-ron không bị ảnh hưởng bởi bản nâng cấp và vẫn tiếp tục hỗ trợ tính năng này. Hướng dẫn dành cho nhà phát triển lưu ý rằng công cụ Generative không hỗ trợ phong cách đọc kiểu phát thanh viên, tính năng truyền phát hai chiều chỉ được cung cấp tại một số khu vực nhất định, còn các giọng đọc Generative mặc định có tần số lấy mẫu 24 kHz và hỗ trợ các định dạng đầu ra MP3, OGG (Vorbis) và PCM thô. Hướng dẫn cũng mô tả cơ chế dừng khẩn cấp tích hợp, cơ chế này sẽ ngừng kết xuất lời nói khi mô hình có dấu hiệu có thể tạo thông tin ảo, thường là gần cuối câu. AWS cảnh báo rằng biện pháp bảo vệ này làm giảm nhưng không loại bỏ rủi ro; trong một số trường hợp hiếm gặp, mô hình có thể cắt mất một phần từ hoặc tiếp tục tạo nội dung vượt quá ngưỡng dừng.

Khả năng cung cấp và việc sử dụng ban đầu của khách hàng

Theo AWS, những cải thiện về chất lượng được tự động áp dụng cho Amazon Connect và các luồng xử lý của trung tâm liên hệ Genesys. Nhà phát triển có thể sử dụng các giọng nói này thông qua AWS Management Console, AWS Command Line Interface hoặc AWS SDK, với quyền IAM polly:SynthesizeSpeech; đồng thời có thể gọi DescribeVoices vào thời điểm triển khai để xác nhận rằng giọng nói tạo sinh đã chọn có sẵn tại khu vực nơi ứng dụng chạy.

Justus Reinikainen, giám đốc sản phẩm tại Sanoma Media Finland, cho biết công ty sử dụng Amazon Polly để chuyển các bài báo thời sự theo thời gian thực thành âm thanh và hiện xuất bản hơn 10.000 bài mỗi tháng bằng giọng nói neural tiếng Phần Lan của Polly. Reinikainen cho biết trong quá trình thử nghiệm của công ty, giọng nói tạo sinh mới Suvi cải thiện rõ rệt so với giọng nói neural trước đây và nghe tự nhiên hơn đáng kể đối với người nghe.